Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est la phase la plus gourmande en ressources et la plus exigeante en termes de technologie, déterminant directement la limite de capacité du modèle et l'efficacité de son application réelle. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant véritablement l'"industrie lourde" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.

L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels sous-jacents, des systèmes de planification de clusters, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde collaboration optimise l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole des données, de barrières à l'entrée des ressources, de consommation d'énergie et de risque de point unique.

L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son noyau consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement liés au calcul et au stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est néanmoins contrôlé, coordonné et synchronisé par une entité centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion rapide NVLink, où le nœud principal coordonne unifié les sous-tâches. Les méthodes principales incluent :

• Parallélisme des données : chaque nœud entraîne des paramètres de données différents partagés, nécessitant une correspondance des poids du modèle.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
• Pipeline parallèle : exécution séquentielle par étapes, augmentation du débit
• Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité de parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à la réalisation d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques fondamentales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs domestiques, des GPU cloud ou des dispositifs Edge, ), collaborant pour accomplir des tâches de formation sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via un protocole, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :

• Hétérogénéité des appareils et difficulté de partitionnement : coordination difficile des appareils hétérogènes, faible efficacité de partitionnement des tâches.
• Goulot d'étranglement de l'efficacité de communication : la communication réseau est instable, le goulot d'étranglement de synchronisation des gradients est évident
• Exécution de confiance manquante : manque d'environnement d'exécution de confiance, difficile de vérifier si le nœud participe réellement au calcul.
• Manque de coordination unifiée : pas de planificateur central, distribution des tâches, mécanisme de rollback des anomalies complexe

L'entraînement décentralisé peut être compris comme : un groupe de volontaires du monde entier, chacun contribuant sa puissance de calcul pour former un modèle en collaboration, mais "un véritable entraînement décentralisé à grande échelle" reste un défi systémique, impliquant l'architecture des systèmes, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" en est encore au stade d'exploration précoce.

L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée comme la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais dépend toujours d'une partie coordonnatrice de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. Il peut être considéré comme un plan de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modéré en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, ce qui le rend plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.

![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Décentralisation entraînée : frontières, opportunités et voies réalistes

Du point de vue du paradigme d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile leur découpage et leur synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté ), telles que la santé, la finance, ou les données sensibles (, sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches sans base d'incitation à la collaboration ), comme l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes (, manquent de motivation externe pour la participation. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, pour des types de tâches légers, faciles à paralléliser et incitatifs, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, des tâches d'entraînement post-formation alignées sur le comportement comme RLHF, DPO), des tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de modèles de base de petite taille avec des ressources contrôlables, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend particulièrement adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies et l'architecture d'ingénierie essentielles derrière ces cinq projets, et examinera en outre leurs différences et leurs relations complémentaires dans le cadre d'un système de formation AI décentralisé.

( Prime Intellect : Pion des réseaux collaboratifs d'apprentissage par renforcement vérifiables par la trajectoire d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect espère, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.

)# Détails sur le mécanisme technologique central

PRIME-RL: Architecture de tâche de renforcement asynchrone découplée

PRIME-RL est le cadre de modélisation et d'exécution des tâches sur mesure de Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, et de collaborer via des interfaces normalisées avec des mécanismes de validation et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans programmation centrale, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.

TOPLOC: Mécanisme de validation des comportements d'entraînement léger

TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour la distribution des récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditable et incitatif.

SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones

SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états de désynchronisation, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement Décentralisation, constituant ainsi la base essentielle pour établir un consensus stable sur les poids et une itération d'entraînement continue.

OpenDiLoCo: Cadre de communication asynchrone épars

OpenDiLoCo est un cadre d'optimisation de communication développé et open-source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander, Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et ne s'appuyant que sur les nœuds voisins locaux pour effectuer un entraînement collaboratif des modèles. En combinant la mise à jour asynchrone et le mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils edge de participer de manière stable aux tâches d'entraînement, augmentant ainsi considérablement la participation à l'entraînement collaboratif mondial, et est l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.

PCCL: Bibliothèque de communication collaborative

PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement d'IA décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles dans des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie sparse, la compression des gradients, la synchronisation de faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Cela améliore considérablement la tolérance à la bande passante et la compatibilité des appareils pour le réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.

Prime Intellect réseau d'incitation et répartition des rôles

Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :

• Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
• Nœud d'entraînement : exécuter l'entraînement local, soumettre les mises à jour de poids et observer les trajectoires
• Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier l'authenticité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus central de l'accord comprend la publication de tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids ###SHARDCAST### et la distribution des récompenses, constituant ainsi un cycle d'incitation autour du "comportement d'entraînement réel".

(# INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été entraîné par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture totalement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performances, mais aussi le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre les modules de protocole clés tels que la structure d'entraînement asynchrone PRIME-RL), la validation du comportement d'entraînement TOPLOC### et l'agrégation de poids asynchrone SHARDCAST(, marquant la première réalisation de l'ouverture du processus d'entraînement dans un réseau de formation décentralisé.