El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que más recursos consume y con el umbral técnico más alto, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera en la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia computacional, complejos flujos de procesamiento de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este artículo.
El entrenamiento centralizado es el método tradicional más común, completado por una única entidad en un clúster de alto rendimiento local, donde todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, es coordinado por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la eficiencia del uso compartido de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máximo, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgo de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos grandes en la actualidad, cuyo núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para que se ejecuten en colaboración, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente presenta características de "Descentralización", el conjunto sigue estando controlado, coordinado y sincronizado por instituciones centralizadas, y a menudo opera en entornos de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas por el nodo principal. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes parámetros de datos compartidos, es necesario coincidir con los pesos del modelo
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por etapas, mejora de la tasa de rendimiento
Paralelismo de tensores: segmentación refinada de cálculos matriciales, mejora de la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige a varios empleados de "oficinas" 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 colaboran para completar la tarea de entrenamiento sin un coordinador central, normalmente 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 de heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación de 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 ausente: falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de retroceso de excepciones son complejos
La capacitación descentralizada puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su poder de cómputo para entrenar un modelo de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que sea factible" sigue siendo un desafío sistemático de ingeniería, que involucra múltiples niveles como la arquitectura del sistema, los protocolos de comunicación, la seguridad criptográfica, los mecanismos económicos y la validación del modelo. Sin embargo, la posibilidad de "colaboración efectiva + incentivo a la honestidad + resultados correctos" aún se encuentra en una etapa 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. El aprendizaje federado presenta una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al tiempo que posee las ventajas de dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza, no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como 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 gran dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda de alta velocidad, lo que dificulta la segmentación y sincronización efectiva en redes abiertas; las tareas con fuertes restricciones de privacidad y soberanía de datos están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide su uso compartido; mientras que las tareas que carecen de incentivos de colaboración no tienen la motivación para la participación externa. Estos límites conjuntos constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la Descentralización del entrenamiento sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden incentivar, la Descentralización del entrenamiento muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a potencias de cálculo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica 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 investigación teórica de vanguardia; 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 las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria.
Prime Intellect se dedica a construir una red de entrenamiento de IA que no requiere 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 con descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack del protocolo Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#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 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 en local, y colabore a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar un entrenamiento flexible en entornos sin programación central, reduciendo la complejidad del sistema y sentando las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento liviano
TOPLOC es el 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 analizando 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 para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados no sincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente implementado y de código abierto por el equipo Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes de 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 y Small-World, evitando el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asincrónicas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos perimetrales también 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 descentralizadas.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo el componente subyacente que soporta la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad con dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect construyó una red de entrenamiento sin permisos, verificable y con mecanismos de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en base a tres tipos de roles centrales:
Iniciador de 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 observar trayectorias
Nodos de validación: utilizar 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 y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo grande de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU ubicados en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de las redes de colaboración asíncrona. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
4 me gusta
Recompensa
4
4
Republicar
Compartir
Comentar
0/400
AirdropHarvester
· hace7h
¡Entrenar también significa hacer airdrop!
Ver originalesResponder0
RugDocScientist
· hace7h
Hablando en serio, el problema de la potencia computacional es la verdadera debilidad...
Ver originalesResponder0
MeaninglessApe
· hace7h
Es demasiado caro, no puedo jugar.
Ver originalesResponder0
MetaverseLandlady
· hace7h
¿Quién puede soportar un entrenamiento tan difícil?
Descentralización AI entrenamiento frente: Prime Intellect y Pluralis lideran un nuevo paradigma en la industria
El Santo Grial de Crypto AI: Exploración de vanguardia en la Descentralización del entrenamiento
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que más recursos consume y con el umbral técnico más alto, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera en la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia computacional, complejos flujos de procesamiento de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este artículo.
El entrenamiento centralizado es el método tradicional más común, completado por una única entidad en un clúster de alto rendimiento local, donde todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, es coordinado por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la eficiencia del uso compartido de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máximo, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgo de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos grandes en la actualidad, cuyo núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para que se ejecuten en colaboración, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente presenta características de "Descentralización", el conjunto sigue estando controlado, coordinado y sincronizado por instituciones centralizadas, y a menudo opera en entornos de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas por el nodo principal. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige a varios empleados de "oficinas" 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 colaboran para completar la tarea de entrenamiento sin un coordinador central, normalmente 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 descentralizada puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su poder de cómputo para entrenar un modelo de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que sea factible" sigue siendo un desafío sistemático de ingeniería, que involucra múltiples niveles como la arquitectura del sistema, los protocolos de comunicación, la seguridad criptográfica, los mecanismos económicos y la validación del modelo. Sin embargo, la posibilidad de "colaboración efectiva + incentivo a la honestidad + resultados correctos" aún se encuentra en una etapa 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. El aprendizaje federado presenta una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al tiempo que posee las ventajas de dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza, no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como 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 gran dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda de alta velocidad, lo que dificulta la segmentación y sincronización efectiva en redes abiertas; las tareas con fuertes restricciones de privacidad y soberanía de datos están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide su uso compartido; mientras que las tareas que carecen de incentivos de colaboración no tienen la motivación para la participación externa. Estos límites conjuntos constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la Descentralización del entrenamiento sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden incentivar, la Descentralización del entrenamiento muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños controlados por recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a potencias de cálculo heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica 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 investigación teórica de vanguardia; 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 las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria.
Prime Intellect se dedica a construir una red de entrenamiento de IA que no requiere 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 con descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack del protocolo Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#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 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 en local, y colabore a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar un entrenamiento flexible en entornos sin programación central, reduciendo la complejidad del sistema y sentando las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento liviano
TOPLOC es el 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 analizando 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 para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados no sincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente implementado y de código abierto por el equipo Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar los desafíos comunes de 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 y Small-World, evitando el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asincrónicas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos perimetrales también 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 descentralizadas.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo el componente subyacente que soporta la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad con dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect construyó una red de entrenamiento sin permisos, verificable y con mecanismos de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en base a 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 y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo grande de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU ubicados en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de las redes de colaboración asíncrona. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera realización de una red de entrenamiento descentralizada.