Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé
Dans toute la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut seuil technologique, déterminant directement la capacité maximale du modèle et l'efficacité de son application réelle. Par rapport 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 de haute intensité, constituant véritablement le "heavy industry" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration approfondie permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée des ressources, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode dominante pour l'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les limitations de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé par des entités centralisées pour la gestion et la synchronisation, fonctionnant souvent dans des environnements de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes dominantes comprennent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant d'aligner les poids du modèle
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipelines parallèles : exécution en série par étapes, augmentation du débit
Parallélisme tensoriel : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogie à un même patron commandant à distance la collaboration de plusieurs employés de "bureau" pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente une voie future plus ouverte et résistante à la censure. Ses caractéristiques clés incluent : plusieurs nœuds ne se faisant pas confiance collaborent à l'achèvement de la tâche de formation sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur 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 découpage : la coordination des appareils hétérogènes est difficile, l'efficacité du découpage des tâches est faible.
Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulots d'étranglement de synchronisation des gradients évidents
Manque d'exécution fiable : absence d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de centralisateur, distribution des tâches, mécanisme de rollback des exceptions complexe
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et bien d'autres aspects. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter l'honnêteté + garantir des résultats corrects" en est encore au stade précoce de l'exploration des prototypes.
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. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant de l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, étant relativement modéré en termes de tâches d'entraînement, de structure de confiance et de mécanisme de communication, et plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation : limites, opportunités et chemins réalistes de la formation
D'un point de vue de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources très élevées ou de la difficulté de collaboration, elle n'est pas naturellement adaptée à être réalisée efficacement entre des nœuds hétérogènes et de confiance réduite. Par exemple, l'entraînement de grands modèles repose souvent sur une haute mémoire vidéo, une faible latence et une bande passante élevée, et il est difficile de le découper et de le synchroniser efficacement dans un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et les contraintes de souveraineté sont soumises à des obligations légales et éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant d'incitations à la collaboration n'ont pas 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, dans les 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, les tâches d'entraînement post-alignement comportemental, les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à des puissances de calcul hétérogènes, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînant des projets classiques d'analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets 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 dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires sont déjà visibles. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par 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 sa contribution computationnelle. Prime Intellect espère, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Structure du protocole Prime Intellect et valeur des modules clés
02, Détails clés du mécanisme d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découpant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement d'accomplir indépendamment sa boucle de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et jetant 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 vérification de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la validation de la structure légère en analysant les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires de comportement pendant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution des récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de diffusion gossip et 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 la convergence progressive des poids et l'évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et des itérations d'entraînement continues.
#OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants de la formation décentralisée tels que les limitations de bande passante, l'hétérogénéité des dispositifs et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques creuses comme Ring, Expander et Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et permettant d'effectuer un entraînement collaboratif du modèle en s'appuyant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et est l'une des infrastructures de communication clés pour la construction de 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 AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du 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.
03、Prime Intellect réseau d'incitation et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et d'obtenir 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 un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cercle d'incitation autour de "comportements d'entraînement réels".
04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille 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 des réseaux de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation d'un réseau d'entraînement décentralisé.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
22 J'aime
Récompense
22
8
Reposter
Partager
Commentaire
0/400
DEXRobinHood
· 07-22 13:20
Qui peut lire quelque chose d'aussi long ? Donnez-moi un tldr.
Voir l'originalRépondre0
BlockchainBouncer
· 07-22 02:56
Je ne comprends pas, pourquoi tant de compétition ?
Voir l'originalRépondre0
GateUser-ccc36bc5
· 07-21 08:02
C'est vraiment le cœur du sujet.
Voir l'originalRépondre0
MEVHunterZhang
· 07-19 13:57
Encore en attente de prendre les gens pour des idiots?
Voir l'originalRépondre0
GweiWatcher
· 07-19 13:57
Attendez, les pigeons sont de retour.
Voir l'originalRépondre0
IfIWereOnChain
· 07-19 13:54
La formation décentralisée aurait dû être étudiée plus tôt.
Explorer la Décentralisation de l'IA: des pratiques de pointe de Prime Intellect à Pluralis
Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé
Dans toute la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut seuil technologique, déterminant directement la capacité maximale du modèle et l'efficacité de son application réelle. Par rapport 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 de haute intensité, constituant véritablement le "heavy industry" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration approfondie permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée des ressources, la consommation d'énergie et les risques de points uniques.
L'entraînement distribué est la méthode dominante pour l'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les limitations de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé par des entités centralisées pour la gestion et la synchronisation, fonctionnant souvent dans des environnements de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes dominantes comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogie à un même patron commandant à distance la collaboration de plusieurs employés de "bureau" pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente une voie future plus ouverte et résistante à la censure. Ses caractéristiques clés incluent : plusieurs nœuds ne se faisant pas confiance collaborent à l'achèvement de la tâche de formation sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et bien d'autres aspects. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter l'honnêteté + garantir des résultats corrects" en est encore au stade précoce de l'exploration des prototypes.
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. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant de l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, étant relativement modéré en termes de tâches d'entraînement, de structure de confiance et de mécanisme de communication, et plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation : limites, opportunités et chemins réalistes de la formation
D'un point de vue de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure de la tâche, des exigences en ressources très élevées ou de la difficulté de collaboration, elle n'est pas naturellement adaptée à être réalisée efficacement entre des nœuds hétérogènes et de confiance réduite. Par exemple, l'entraînement de grands modèles repose souvent sur une haute mémoire vidéo, une faible latence et une bande passante élevée, et il est difficile de le découper et de le synchroniser efficacement dans un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et les contraintes de souveraineté sont soumises à des obligations légales et éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant d'incitations à la collaboration n'ont pas 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, dans les 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, les tâches d'entraînement post-alignement comportemental, les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à des puissances de calcul hétérogènes, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînant des projets classiques d'analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets 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 dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires sont déjà visibles. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par 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 sa contribution computationnelle. Prime Intellect espère, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01、Structure du protocole Prime Intellect et valeur des modules clés
02, Détails clés du mécanisme d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découpant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement d'accomplir indépendamment sa boucle de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et jetant 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 vérification de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la validation de la structure légère en analysant les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires de comportement pendant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution des récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de diffusion gossip et 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 la convergence progressive des poids et l'évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et des itérations d'entraînement continues.
#OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants de la formation décentralisée tels que les limitations de bande passante, l'hétérogénéité des dispositifs et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques creuses comme Ring, Expander et Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et permettant d'effectuer un entraînement collaboratif du modèle en s'appuyant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et est l'une des infrastructures de communication clés pour la construction de 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 AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du 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.
03、Prime Intellect réseau d'incitation et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et d'obtenir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés:
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cercle d'incitation autour de "comportements d'entraînement réels".
04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille 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 des réseaux de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation d'un réseau d'entraînement décentralisé.