Desentralisasi pelatihan: Eksplorasi paradigma baru di bidang AI
Dalam seluruh rantai nilai kecerdasan buatan, pelatihan model adalah tahap yang paling banyak mengonsumsi sumber daya dan memiliki ambang teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efektivitas aplikasi nyata. Dibandingkan dengan pemanggilan ringan di tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, merupakan "industri berat" sejati dalam membangun sistem AI. Dari sudut pandang paradigma arsitektur, cara pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan terdesentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, dilakukan oleh satu lembaga dalam cluster berkinerja tinggi lokal yang menyelesaikan seluruh proses pelatihan, mulai dari perangkat keras, perangkat lunak dasar, sistem penjadwalan cluster, hingga semua komponen kerangka pelatihan yang dikoordinasikan oleh sistem kontrol yang terintegrasi. Arsitektur kolaboratif yang mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi terbaik, sangat cocok untuk pelatihan model berskala besar seperti GPT, Gemini, dan memiliki keunggulan efisiensi tinggi serta sumber daya yang terkontrol, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah cara utama untuk melatih model besar saat ini, intinya adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan pada satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikelola, dijadwalkan, dan disinkronkan oleh lembaga terpusat, biasanya beroperasi dalam lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink berkecepatan tinggi, di mana node utama secara terpusat mengoordinasikan setiap sub-tugas. Metode utama termasuk:
Paralel data: setiap node melatih parameter data yang berbeda dengan berbagi, perlu mencocokkan bobot model
Paralel model: Menempatkan bagian-bagian berbeda dari model di node yang berbeda, mencapai skalabilitas yang kuat
Pipa paralel: eksekusi seri bertahap, meningkatkan throughput
Paralel Tensor: Memperhalus Pembagian Matriks, Meningkatkan Granularitas Paralel
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dianalogikan dengan satu bos yang mengawasi kolaborasi karyawan dari beberapa "kantor" untuk menyelesaikan tugas. Saat ini, hampir semua model besar utama (GPT-4, Gemini, LLaMA, dan lainnya ) dilatih dengan cara ini.
Desentralisasi pelatihan mewakili jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Karakteristik inti dari ini adalah: banyak node yang tidak saling percaya ( bisa berupa komputer rumahan, GPU cloud, atau perangkat tepi ) yang bekerja sama menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, dan dengan bantuan mekanisme insentif kriptografi untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini termasuk:
Kesulitan dalam Heterogenitas Perangkat dan Pembagian: Koordinasi perangkat heterogen sulit, efisiensi pembagian tugas rendah
Kendala efisiensi komunikasi: komunikasi jaringan tidak stabil, kendala sinkronisasi gradien jelas
Kekurangan eksekusi yang dapat dipercaya: Kurangnya lingkungan eksekusi yang dapat dipercaya, sulit untuk memverifikasi apakah node benar-benar terlibat dalam perhitungan.
Kurangnya koordinasi yang seragam: tidak ada pengatur pusat, distribusi tugas, dan mekanisme rollback yang rumit.
Pelatihan desentralisasi dapat dipahami sebagai: sekumpulan sukarelawan global, masing-masing menyumbangkan kekuatan komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi besar-besaran yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaboratif efektif + insentif jujur + hasil benar" masih berada di tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan agregasi parameter model yang terpusat, cocok untuk skenario yang memperhatikan kepatuhan privasi seperti medis, keuangan. Pembelajaran federasi memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sambil tetap memiliki keunggulan penyebaran data dari pelatihan Desentralisasi, namun masih bergantung pada pihak yang dapat dipercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Ini dapat dilihat sebagai solusi "Desentralisasi yang terkontrol" dalam skenario kepatuhan privasi, yang relatif moderat dalam tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penggelaran transisi di industri.
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari sudut pandang paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tidak dipercaya. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, yang sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki batasan privasi data dan kedaulatan yang kuat seperti medis, keuangan, dan data sensitif ( terhambat oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; dan tugas yang kekurangan dasar insentif kolaborasi seperti model sumber tertutup perusahaan atau pelatihan prototipe internal ) tidak memiliki motivasi untuk partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang salah. Faktanya, dalam jenis tugas yang ringan, mudah diparalelkan, dan dapat memberi insentif, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: penyetelan LoRA, tugas pelatihan lanjutan yang terkait dengan penyelarasan perilaku seperti RLHF, DPO(, pelatihan dan penandaan data dengan crowdsourcing, pelatihan model dasar kecil yang dapat dikontrol sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat edge. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterikatan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, optimizer terdistribusi, dan sebagainya.
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi yang terdepan, proyek blockchain yang representatif terutama mencakup Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan tingkat kesulitan implementasi rekayasa, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, mewakili arah penelitian teori saat ini; sementara jalur implementasi Gensyn dan Flock.io relatif jelas, dan kemajuan rekayasa awal sudah dapat terlihat. Artikel ini akan menganalisis secara berurutan teknologi inti dan arsitektur rekayasa di balik lima proyek ini, dan lebih lanjut membahas perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
) Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat diverifikasi oleh lintasan pelatihan
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI yang tidak memerlukan kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan mendapatkan imbalan yang dapat dipercaya atas kontribusi komputasi mereka. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
(# 01、Struktur dan Nilai Modul Kunci Protokol Prime Intellect
)# 02, Penjelasan Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron Terdecouple
PRIME-RL adalah kerangka pemodelan dan eksekusi tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokal, dan berkolaborasi melalui antarmuka standar dengan mekanisme validasi dan agregasi. Dibandingkan dengan alur pembelajaran terawasi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan yang elastis di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung paralelisme multi-tugas dan evolusi strategi.
TOPLOC###Trusted Observation & Policy-Locality Check### adalah mekanisme inti yang diajukan oleh Prime Intellect untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data pengamatan. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, melainkan menyelesaikan verifikasi struktur ringan dengan menganalisis jejak konsistensi lokal antara "urutan pengamatan↔pembaruan strategi". Ini pertama kali mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa kepercayaan, dan menyediakan jalur yang dapat dilalui untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diinsentif.
#SHARDCAST: Protokol Agregasi dan Penyebaran Bobot Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, dengan bandwidth terbatas dan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengirimkan pembaruan sebagian dalam keadaan yang tidak sinkron, mencapai konvergensi bobot secara bertahap dan evolusi multi-versi. Dibandingkan dengan metode AllReduce terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan pada pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo:Rangkaian Komunikasi Asinkron Sparse
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan sumber terbuka oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk tantangan yang umum terjadi dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya didasarkan pada data paralel, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan kolaboratif model. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik henti, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi secara stabil dalam tugas pelatihan, secara signifikan meningkatkan partisipasi pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci untuk membangun jaringan pelatihan desentralisasi.
#PCCL: Perpustakaan Komunikasi Kolaboratif
PCCL(Prime Collective Communication Library) adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI yang desentralisasi, bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional ### seperti NCCL, Gloo( dalam perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik cek, dapat berjalan di GPU konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalur terakhir" komunikasi untuk membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.
)# 03、Prime Intellect jaringan insentif dan pembagian peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi nyata. Protokol berjalan berdasarkan tiga kategori peran inti:
Penggagas tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi penghargaan, dan standar validasi
Node verifikasi: menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, dan berpartisipasi dalam perhitungan imbalan dan agregasi strategi
Proses inti dari protokol mencakup publikasi tugas, pelatihan node, verifikasi jejak, agregasi bobot (SHARDCAST) dan distribusi hadiah, membentuk sebuah lingkaran insentif yang berfokus pada "perilaku pelatihan yang nyata".
04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect akan merilis INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran penguatan besar pertama di dunia yang dilatih melalui kolaborasi node desentralisasi yang asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 diselesaikan melalui pelatihan kolaboratif lebih dari 100 node GPU heterogen yang tersebar di tiga benua, menggunakan
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.
13 Suka
Hadiah
13
7
Bagikan
Komentar
0/400
FromMinerToFarmer
· 12jam yang lalu
Daya Komputasi pergi ke mana untuk menambang?
Lihat AsliBalas0
BrokenYield
· 07-02 15:03
Daya Komputasi harus dikerahkan secara terdistribusi
Desentralisasi AI pelatihan: teknologi dan tantangan dari jaringan kolaborasi terbuka generasi berikutnya
Desentralisasi pelatihan: Eksplorasi paradigma baru di bidang AI
Dalam seluruh rantai nilai kecerdasan buatan, pelatihan model adalah tahap yang paling banyak mengonsumsi sumber daya dan memiliki ambang teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efektivitas aplikasi nyata. Dibandingkan dengan pemanggilan ringan di tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, merupakan "industri berat" sejati dalam membangun sistem AI. Dari sudut pandang paradigma arsitektur, cara pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan terdesentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah cara tradisional yang paling umum, dilakukan oleh satu lembaga dalam cluster berkinerja tinggi lokal yang menyelesaikan seluruh proses pelatihan, mulai dari perangkat keras, perangkat lunak dasar, sistem penjadwalan cluster, hingga semua komponen kerangka pelatihan yang dikoordinasikan oleh sistem kontrol yang terintegrasi. Arsitektur kolaboratif yang mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi terbaik, sangat cocok untuk pelatihan model berskala besar seperti GPT, Gemini, dan memiliki keunggulan efisiensi tinggi serta sumber daya yang terkontrol, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah cara utama untuk melatih model besar saat ini, intinya adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan pada satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikelola, dijadwalkan, dan disinkronkan oleh lembaga terpusat, biasanya beroperasi dalam lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink berkecepatan tinggi, di mana node utama secara terpusat mengoordinasikan setiap sub-tugas. Metode utama termasuk:
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dianalogikan dengan satu bos yang mengawasi kolaborasi karyawan dari beberapa "kantor" untuk menyelesaikan tugas. Saat ini, hampir semua model besar utama (GPT-4, Gemini, LLaMA, dan lainnya ) dilatih dengan cara ini.
Desentralisasi pelatihan mewakili jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Karakteristik inti dari ini adalah: banyak node yang tidak saling percaya ( bisa berupa komputer rumahan, GPU cloud, atau perangkat tepi ) yang bekerja sama menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, dan dengan bantuan mekanisme insentif kriptografi untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini termasuk:
Pelatihan desentralisasi dapat dipahami sebagai: sekumpulan sukarelawan global, masing-masing menyumbangkan kekuatan komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi besar-besaran yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaboratif efektif + insentif jujur + hasil benar" masih berada di tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan agregasi parameter model yang terpusat, cocok untuk skenario yang memperhatikan kepatuhan privasi seperti medis, keuangan. Pembelajaran federasi memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sambil tetap memiliki keunggulan penyebaran data dari pelatihan Desentralisasi, namun masih bergantung pada pihak yang dapat dipercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Ini dapat dilihat sebagai solusi "Desentralisasi yang terkontrol" dalam skenario kepatuhan privasi, yang relatif moderat dalam tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penggelaran transisi di industri.
Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi
Dari sudut pandang paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tidak dipercaya. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, yang sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki batasan privasi data dan kedaulatan yang kuat seperti medis, keuangan, dan data sensitif ( terhambat oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; dan tugas yang kekurangan dasar insentif kolaborasi seperti model sumber tertutup perusahaan atau pelatihan prototipe internal ) tidak memiliki motivasi untuk partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.
Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang salah. Faktanya, dalam jenis tugas yang ringan, mudah diparalelkan, dan dapat memberi insentif, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: penyetelan LoRA, tugas pelatihan lanjutan yang terkait dengan penyelarasan perilaku seperti RLHF, DPO(, pelatihan dan penandaan data dengan crowdsourcing, pelatihan model dasar kecil yang dapat dikontrol sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat edge. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterikatan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, optimizer terdistribusi, dan sebagainya.
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Analisis Proyek Klasik Pelatihan Desentralisasi
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi yang terdepan, proyek blockchain yang representatif terutama mencakup Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan tingkat kesulitan implementasi rekayasa, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, mewakili arah penelitian teori saat ini; sementara jalur implementasi Gensyn dan Flock.io relatif jelas, dan kemajuan rekayasa awal sudah dapat terlihat. Artikel ini akan menganalisis secara berurutan teknologi inti dan arsitektur rekayasa di balik lima proyek ini, dan lebih lanjut membahas perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
) Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat diverifikasi oleh lintasan pelatihan
Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI yang tidak memerlukan kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan mendapatkan imbalan yang dapat dipercaya atas kontribusi komputasi mereka. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.
(# 01、Struktur dan Nilai Modul Kunci Protokol Prime Intellect
![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Penjelasan Mekanisme Kunci Pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron Terdecouple
PRIME-RL adalah kerangka pemodelan dan eksekusi tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokal, dan berkolaborasi melalui antarmuka standar dengan mekanisme validasi dan agregasi. Dibandingkan dengan alur pembelajaran terawasi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan yang elastis di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung paralelisme multi-tugas dan evolusi strategi.
#TOPLOC:Mekanisme verifikasi perilaku pelatihan ringan
TOPLOC###Trusted Observation & Policy-Locality Check### adalah mekanisme inti yang diajukan oleh Prime Intellect untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data pengamatan. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, melainkan menyelesaikan verifikasi struktur ringan dengan menganalisis jejak konsistensi lokal antara "urutan pengamatan↔pembaruan strategi". Ini pertama kali mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa kepercayaan, dan menyediakan jalur yang dapat dilalui untuk membangun jaringan pelatihan kolaboratif terdesentralisasi yang dapat diaudit dan diinsentif.
#SHARDCAST: Protokol Agregasi dan Penyebaran Bobot Asinkron
SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, dengan bandwidth terbatas dan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengirimkan pembaruan sebagian dalam keadaan yang tidak sinkron, mencapai konvergensi bobot secara bertahap dan evolusi multi-versi. Dibandingkan dengan metode AllReduce terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan pada pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo:Rangkaian Komunikasi Asinkron Sparse
OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan sumber terbuka oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk tantangan yang umum terjadi dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya didasarkan pada data paralel, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, menghindari biaya komunikasi tinggi dari sinkronisasi global, hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan kolaboratif model. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik henti, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi secara stabil dalam tugas pelatihan, secara signifikan meningkatkan partisipasi pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci untuk membangun jaringan pelatihan desentralisasi.
#PCCL: Perpustakaan Komunikasi Kolaboratif
PCCL(Prime Collective Communication Library) adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI yang desentralisasi, bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional ### seperti NCCL, Gloo( dalam perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik cek, dapat berjalan di GPU konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "jalur terakhir" komunikasi untuk membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.
)# 03、Prime Intellect jaringan insentif dan pembagian peran
Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi nyata. Protokol berjalan berdasarkan tiga kategori peran inti:
Proses inti dari protokol mencakup publikasi tugas, pelatihan node, verifikasi jejak, agregasi bobot (SHARDCAST) dan distribusi hadiah, membentuk sebuah lingkaran insentif yang berfokus pada "perilaku pelatihan yang nyata".
04、INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect akan merilis INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran penguatan besar pertama di dunia yang dilatih melalui kolaborasi node desentralisasi yang asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 diselesaikan melalui pelatihan kolaboratif lebih dari 100 node GPU heterogen yang tersebar di tiga benua, menggunakan