Cawan Suci Crypto AI: Penjelajahan Terdepan dalam Pelatihan Desentralisasi
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling mengkonsumsi sumber daya dan memiliki hambatan teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efek aplikasi sebenarnya. Dibandingkan dengan pemanggilan ringan pada tahap inferensi, proses pelatihan membutuhkan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, yang merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari perspektif paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah metode tradisional yang paling umum, di mana seluruh proses pelatihan diselesaikan oleh satu lembaga dalam kluster berkinerja tinggi lokal, mulai dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan dikoordinasikan oleh sistem kontrol yang terpadu. Arsitektur kolaborasi mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan berjalan dengan efisiensi terbaik, sangat cocok untuk pelatihan model besar seperti GPT, Gemini, dan memiliki keunggulan efisiensi tinggi dan sumber daya yang dapat dikendalikan, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah metode utama dalam pelatihan model besar saat ini, inti dari metode ini 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 dikendalikan dan dijadwalkan oleh lembaga terpusat, biasanya beroperasi dalam lingkungan jaringan lokal yang cepat, melalui teknologi bus interkoneksi NVLink yang cepat, dengan node utama yang secara terpusat mengkoordinasikan berbagai sub-tugas. Metode utama termasuk:
Paralel data: setiap node melatih parameter data yang berbeda berbagi, perlu mencocokkan bobot model
Paralelisme model: menempatkan bagian-bagian berbeda dari model di node yang berbeda, untuk mencapai skalabilitas yang kuat
Pipa paralel: Eksekusi serial bertahap, meningkatkan throughput
Paralel Tensor: Memperhalus pembagian perhitungan matriks, meningkatkan granularitas paralel
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dianalogikan dengan satu bos yang mengendalikan beberapa karyawan "kantor" untuk bekerja sama menyelesaikan tugas. Saat ini, hampir semua model besar utama diselesaikan pelatihannya dengan cara ini.
Desentralisasi latihan mewakili jalur masa depan yang lebih terbuka dan tahan sensor. Ciri-ciri inti dari ini adalah: beberapa node yang saling tidak percaya bekerja sama untuk menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, serta menggunakan mekanisme insentif kripto untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini meliputi:
Kesulitan heterogenitas perangkat dan pemisahan: koordinasi perangkat yang heterogen sulit, efisiensi pemisahan tugas rendah
Bottleneck efisiensi komunikasi: komunikasi jaringan tidak stabil, bottleneck sinkronisasi gradien terlihat jelas
Eksekusi yang dapat dipercaya hilang: kurangnya lingkungan eksekusi yang dapat dipercaya, sulit untuk memverifikasi apakah node benar-benar terlibat dalam perhitungan.
Kurangnya koordinasi yang terintegrasi: tanpa pengatur pusat, distribusi tugas, dan mekanisme rollback yang rumit.
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok relawan global, masing-masing menyumbangkan daya komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi berskala besar yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa yang sistemik, melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi efektif + insentif jujur + hasil yang benar" masih berada dalam tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data lokal dan penggabungan parameter model secara terpusat, cocok untuk skenario yang menekankan kepatuhan privasi. Pembelajaran federasi memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keuntungan penyebaran data dari pelatihan Desentralisasi, tetapi masih bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki sifat keterbukaan penuh dan ketahanan terhadap sensor. Ini dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, dengan tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi yang relatif moderat, lebih cocok sebagai arsitektur penerapan 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 heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering bergantung pada memori yang tinggi, latensi rendah, dan bandwidth tinggi, sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki privasi data dan pembatasan kedaulatan yang kuat terhambat oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; sementara tugas yang kurang memiliki insentif kolaborasi kekurangan dorongan 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 strukturnya, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: pelatihan LoRA fine-tuning, tugas pelatihan dan anotasi pasca pelatihan yang berorientasi pada perilaku, pelatihan dan anotasi data crowdsourcing, pelatihan model dasar kecil yang dapat dikelola sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk dilakukan pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan sebagainya.
Analisis Proyek Klasik Pelatihan Desentralisasi
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif antara lain Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknis dan tingkat kesulitan implementasi, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, yang mewakili arah penelitian teoretis saat ini; sedangkan Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan sudah terlihat kemajuan rekayasa awal. Artikel ini akan secara bertahap menganalisis teknologi inti dan arsitektur rekayasa di balik lima proyek ini, serta lebih lanjut membahas perbedaan dan hubungan saling melengkapi mereka dalam sistem pelatihan AI desentralisasi.
Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat diverifikasi 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 komputasinya. 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 Protokol Prime Intellect dan Nilai Modul Kunci
02、Penjelasan mekanisme kunci pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron yang Terdecouple
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan Desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek adaptasi utama, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokasi, dan berkolaborasi dengan mekanisme verifikasi dan agregasi melalui antarmuka standar. Dibandingkan dengan proses pembelajaran supervisi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung paralelisme multi-tugas dan evolusi strategi.
TOPLOC adalah mekanisme inti verifikasi pelatihan yang diajukan oleh Prime Intellect, digunakan 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 untuk pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, yang merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa perlu kepercayaan, serta menyediakan jalur yang layak 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, terbatas bandwidth, dan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengirimkan pembaruan parsial dalam keadaan tidak sinkron, mencapai konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce yang terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan dari pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka Komunikasi Asinkron yang Jarang
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 menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, untuk menghindari biaya komunikasi tinggi dari sinkronisasi global, yang hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan model secara kolaboratif. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik henti, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi dalam tugas pelatihan secara stabil, secara signifikan meningkatkan partisipasi dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kolaboratif
PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI desentralisasi, yang bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional pada perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik henti, dapat dijalankan pada GPU kelas konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth dan kompatibilitas perangkat jaringan pelatihan, membuka "jaringan komunikasi terakhir" 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 yang nyata. Protokol beroperasi berdasarkan tiga jenis peran inti:
Penggagas tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi penghargaan, dan standar verifikasi
Node pelatihan: melakukan pelatihan lokal, mengirimkan pembaruan bobot dan jejak pengamatan
Node verifikasi: menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, serta berpartisipasi dalam perhitungan hadiah dan agregasi strategi
Proses inti dari perjanjian mencakup penerbitan tugas, pelatihan node, verifikasi jejak, penggabungan bobot, dan distribusi hadiah, membentuk sebuah siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".
04, INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran mendalam terbesar 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 100+ node GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, dengan durasi pelatihan lebih dari 400 jam, menunjukkan kelayakan dan stabilitas jaringan kolaborasi asinkron. Model ini tidak hanya merupakan terobosan dalam kinerja, tetapi juga merupakan implementasi sistem pertama dari paradigma "pelatihan adalah konsensus" yang diajukan oleh Prime Intellect. INTELLECT-2 mengintegrasikan modul protokol inti seperti PRIME-RL, TOPLOC, dan SHARDCAST, menandai bahwa jaringan pelatihan desentralisasi untuk pertama kalinya telah mencapai pelatihan.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
4 Suka
Hadiah
4
4
Posting ulang
Bagikan
Komentar
0/400
AirdropHarvester
· 4jam yang lalu
Latihan juga harus mendapatkan Airdrop!
Lihat AsliBalas0
RugDocScientist
· 4jam yang lalu
Jujur saja, masalah daya komputasi adalah kelemahan yang nyata...
Lihat AsliBalas0
MeaninglessApe
· 4jam yang lalu
Terlalu mahal untuk dimainkan
Lihat AsliBalas0
MetaverseLandlady
· 4jam yang lalu
Siapa yang bisa menghadapi pelatihan yang begitu sulit ini?
Desentralisasi AI pelatihan terdepan: Prime Intellect dan Pluralis memimpin paradigma baru industri
Cawan Suci Crypto AI: Penjelajahan Terdepan dalam Pelatihan Desentralisasi
Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling mengkonsumsi sumber daya dan memiliki hambatan teknologi tertinggi, yang secara langsung menentukan batas kemampuan model dan efek aplikasi sebenarnya. Dibandingkan dengan pemanggilan ringan pada tahap inferensi, proses pelatihan membutuhkan investasi daya komputasi besar-besaran yang berkelanjutan, proses pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, yang merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari perspektif paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.
Pelatihan terpusat adalah metode tradisional yang paling umum, di mana seluruh proses pelatihan diselesaikan oleh satu lembaga dalam kluster berkinerja tinggi lokal, mulai dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan dikoordinasikan oleh sistem kontrol yang terpadu. Arsitektur kolaborasi mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan berjalan dengan efisiensi terbaik, sangat cocok untuk pelatihan model besar seperti GPT, Gemini, dan memiliki keunggulan efisiensi tinggi dan sumber daya yang dapat dikendalikan, tetapi juga menghadapi masalah monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.
Pelatihan terdistribusi adalah metode utama dalam pelatihan model besar saat ini, inti dari metode ini 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 dikendalikan dan dijadwalkan oleh lembaga terpusat, biasanya beroperasi dalam lingkungan jaringan lokal yang cepat, melalui teknologi bus interkoneksi NVLink yang cepat, dengan node utama yang secara terpusat mengkoordinasikan berbagai sub-tugas. Metode utama termasuk:
Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dianalogikan dengan satu bos yang mengendalikan beberapa karyawan "kantor" untuk bekerja sama menyelesaikan tugas. Saat ini, hampir semua model besar utama diselesaikan pelatihannya dengan cara ini.
Desentralisasi latihan mewakili jalur masa depan yang lebih terbuka dan tahan sensor. Ciri-ciri inti dari ini adalah: beberapa node yang saling tidak percaya bekerja sama untuk menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang mendorong distribusi tugas dan kolaborasi, serta menggunakan mekanisme insentif kripto untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini meliputi:
Desentralisasi pelatihan dapat dipahami sebagai: sekelompok relawan global, masing-masing menyumbangkan daya komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi berskala besar yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa yang sistemik, melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, verifikasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi efektif + insentif jujur + hasil yang benar" masih berada dalam tahap eksplorasi prototipe awal.
Pembelajaran federasi sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data lokal dan penggabungan parameter model secara terpusat, cocok untuk skenario yang menekankan kepatuhan privasi. Pembelajaran federasi memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keuntungan penyebaran data dari pelatihan Desentralisasi, tetapi masih bergantung pada pihak koordinator yang tepercaya, dan tidak memiliki sifat keterbukaan penuh dan ketahanan terhadap sensor. Ini dapat dianggap sebagai solusi "Desentralisasi terkontrol" dalam skenario kepatuhan privasi, dengan tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi yang relatif moderat, lebih cocok sebagai arsitektur penerapan 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 heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering bergantung pada memori yang tinggi, latensi rendah, dan bandwidth tinggi, sulit untuk dibagi dan disinkronkan secara efektif di jaringan terbuka; tugas yang memiliki privasi data dan pembatasan kedaulatan yang kuat terhambat oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; sementara tugas yang kurang memiliki insentif kolaborasi kekurangan dorongan 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 strukturnya, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: pelatihan LoRA fine-tuning, tugas pelatihan dan anotasi pasca pelatihan yang berorientasi pada perilaku, pelatihan dan anotasi data crowdsourcing, pelatihan model dasar kecil yang dapat dikelola sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk dilakukan pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan sebagainya.
Analisis Proyek Klasik Pelatihan Desentralisasi
Saat ini, dalam bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif antara lain Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknis dan tingkat kesulitan implementasi, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, yang mewakili arah penelitian teoretis saat ini; sedangkan Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan sudah terlihat kemajuan rekayasa awal. Artikel ini akan secara bertahap menganalisis teknologi inti dan arsitektur rekayasa di balik lima proyek ini, serta lebih lanjut membahas perbedaan dan hubungan saling melengkapi mereka dalam sistem pelatihan AI desentralisasi.
Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat diverifikasi 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 komputasinya. 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 Protokol Prime Intellect dan Nilai Modul Kunci
02、Penjelasan mekanisme kunci pelatihan Prime Intellect
#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron yang Terdecouple
PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan Desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek adaptasi utama, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokasi, dan berkolaborasi dengan mekanisme verifikasi dan agregasi melalui antarmuka standar. Dibandingkan dengan proses pembelajaran supervisi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan yang fleksibel 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 adalah mekanisme inti verifikasi pelatihan yang diajukan oleh Prime Intellect, digunakan 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 untuk pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, yang merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa perlu kepercayaan, serta menyediakan jalur yang layak 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, terbatas bandwidth, dan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengirimkan pembaruan parsial dalam keadaan tidak sinkron, mencapai konvergensi bobot yang progresif dan evolusi multi-versi. Dibandingkan dengan metode AllReduce yang terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan dari pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.
#OpenDiLoCo: Kerangka Komunikasi Asinkron yang Jarang
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 menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World, untuk menghindari biaya komunikasi tinggi dari sinkronisasi global, yang hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan model secara kolaboratif. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik henti, OpenDiLoCo memungkinkan GPU konsumen dan perangkat tepi untuk berpartisipasi dalam tugas pelatihan secara stabil, secara signifikan meningkatkan partisipasi dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci dalam membangun jaringan pelatihan desentralisasi.
#PCCL:Perpustakaan Komunikasi Kolaboratif
PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI desentralisasi, yang bertujuan untuk mengatasi kendala adaptasi pustaka komunikasi tradisional pada perangkat heterogen dan jaringan dengan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik henti, dapat dijalankan pada GPU kelas konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth dan kompatibilitas perangkat jaringan pelatihan, membuka "jaringan komunikasi terakhir" 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 yang nyata. Protokol beroperasi berdasarkan tiga jenis peran inti:
Proses inti dari perjanjian mencakup penerbitan tugas, pelatihan node, verifikasi jejak, penggabungan bobot, dan distribusi hadiah, membentuk sebuah siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".
04, INTELLECT-2: Peluncuran model pelatihan terdesentralisasi yang dapat diverifikasi pertama
Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran mendalam terbesar 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 100+ node GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, dengan durasi pelatihan lebih dari 400 jam, menunjukkan kelayakan dan stabilitas jaringan kolaborasi asinkron. Model ini tidak hanya merupakan terobosan dalam kinerja, tetapi juga merupakan implementasi sistem pertama dari paradigma "pelatihan adalah konsensus" yang diajukan oleh Prime Intellect. INTELLECT-2 mengintegrasikan modul protokol inti seperti PRIME-RL, TOPLOC, dan SHARDCAST, menandai bahwa jaringan pelatihan desentralisasi untuk pertama kalinya telah mencapai pelatihan.