Explorando la vanguardia de la Descentralización en el entrenamiento: El santo grial de Crypto AI
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y que tiene el umbral tecnológico más alto, lo que determina directamente el límite de capacidad del modelo y su efectividad en aplicaciones reales. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de paradigmas arquitectónicos, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, donde una sola entidad completa todo el proceso de entrenamiento dentro de un clúster de alto rendimiento local, coordinando el hardware, el software de base, el sistema de programación del clúster y todos los componentes del marco de entrenamiento a través de un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, y presenta ventajas como alta eficiencia y control de recursos, pero también enfrenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es actualmente el método principal para el entrenamiento de grandes modelos. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, 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", en general todavía está controlado y programado por una institución centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos y comparte parámetros, lo que requiere que los pesos del modelo coincidan.
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelización de tuberías: ejecución en serie por fases, aumentando el rendimiento
Paralelización 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", similar a un mismo jefe que dirige de forma remota a varios empleados de "oficina" para completar tareas en colaboración. Actualmente, casi todos los modelos grandes de vanguardia (GPT-4, Gemini, LLaMA, etc. ) se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su rasgo central es: múltiples nodos que no se fían entre sí ( pueden ser computadoras domésticas, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, normalmente impulsados por protocolos que distribuyen tareas y colaboran, y utilizando mecanismos de incentivación criptográfica para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultad en la heterogeneidad de dispositivos y en la segmentación: alta dificultad en la coordinación de dispositivos heterogéneos, baja eficiencia en la segmentación de tareas
Cuello de botella en la eficiencia de la comunicación: la comunicación en 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, lo que dificulta verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un programador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La formación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero la "verdadera formación descentralizada a gran escala" sigue siendo un desafío ingenieril sistemático, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Sin embargo, la cuestión de si se puede lograr "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una 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 enfatizan la conformidad con la privacidad, como la atención médica y las finanzas (. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento Descentralizado, pero aún depende de un ente coordinador confiable, y no cuenta con características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y el mecanismo de comunicación, y es más adecuada como una arquitectura de despliegue transitorio en la industria.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
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 dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y sin confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta la segmentación y sincronización efectiva en una red abierta; tareas con fuertes restricciones de privacidad de datos y soberanía ), como la atención médica, las finanzas y datos confidenciales (, están limitadas por la conformidad legal y las restricciones éticas, lo que impide el intercambio abierto; y tareas ) que carecen de incentivos de colaboración, como modelos de código cerrado de empresas o entrenamiento de prototipos internos (, carecen de la motivación para la participación externa. Estos límites en conjunto constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación descentralizada sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadoras, la formación descentralizada muestra perspectivas de aplicación claras. Esto incluye, pero no se limita a: ajuste fino LoRA, tareas de entrenamiento posentrenamiento alineadas con el comportamiento ) como RLHF, DPO(, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a capacidades computacionales heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm y optimizadores distribuidos.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralización entrenamiento clásico de proyectos análisis
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento 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 tecnológica y la dificultad de implementación técnica, Prime Intellect, Nous Research y Pluralis.ai han propuesto muchas exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver progresos ingenieriles preliminares. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
) Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y el valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 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 el ciclo de tareas de manera independiente en local, y colabore con mecanismos de validación y agregación a través de interfaces estandarizadas. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, reduciendo tanto la complejidad del sistema como sentando las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC###Observación de Confianza y Verificación de Localidad( es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo 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 cual es 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 difusión 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, tienen ancho de banda limitado y estados de nodos variables. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la capacidad de tolerancia a fallos en el entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y para la iteración continua del entrenamiento.
#OpenDiLoCo: Marco de comunicación asíncrono disperso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind. Está diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como limitaciones de ancho de banda, heterogeneidad de dispositivos y inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la accesibilidad al entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL)Prime Collective Communication Library( es una biblioteca de comunicación liviana diseñada 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 baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de las redes de entrenamiento y la compatibilidad de dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento de Descentralización])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona sobre tres tipos de roles centrales:
Iniciador de la 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 trayectorias de observación
Nodos de validación: utiliza 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 ###SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer sistema en el mundo que utiliza la Descentralización asíncrona y sin necesidad de confianza.
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.
24 me gusta
Recompensa
24
5
Compartir
Comentar
0/400
degenwhisperer
· 08-02 02:08
Eh, esta cosa realmente tiene potencial, haga su propia investigación (DYOR) durante unos días, me parece bastante confiable.
Ver originalesResponder0
GasWaster
· 07-30 07:48
bruhhh el poder de cómputo son las nuevas tarifas de gas fr fr... rip mi billetera
Ver originalesResponder0
MoneyBurnerSociety
· 07-30 07:31
Un experto en caídas, la IA ya ha vendido tres tarjetas gráficas.
Ver originalesResponder0
GasFeeNightmare
· 07-30 07:24
No es de extrañar que sea una industria pesada, el entrenamiento de la potencia computacional quema más que el gas.
Ver originalesResponder0
MultiSigFailMaster
· 07-30 07:23
Potencia computacional tan cara para hacer minería
Explorar la vanguardia del entrenamiento de IA Descentralización: Prime Intellect lidera un nuevo paradigma de redes colaborativas
Explorando la vanguardia de la Descentralización en el entrenamiento: El santo grial de Crypto AI
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y que tiene el umbral tecnológico más alto, lo que determina directamente el límite de capacidad del modelo y su efectividad en aplicaciones reales. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de paradigmas arquitectónicos, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y entrenamiento de Descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, donde una sola entidad completa todo el proceso de entrenamiento dentro de un clúster de alto rendimiento local, coordinando el hardware, el software de base, el sistema de programación del clúster y todos los componentes del marco de entrenamiento a través de un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, y presenta ventajas como alta eficiencia y control de recursos, pero también enfrenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es actualmente el método principal para el entrenamiento de grandes modelos. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, 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", en general todavía está controlado y programado por una institución centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", similar a un mismo jefe que dirige de forma remota a varios empleados de "oficina" para completar tareas en colaboración. Actualmente, casi todos los modelos grandes de vanguardia (GPT-4, Gemini, LLaMA, etc. ) se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su rasgo central es: múltiples nodos que no se fían entre sí ( pueden ser computadoras domésticas, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, normalmente impulsados por protocolos que distribuyen tareas y colaboran, y utilizando mecanismos de incentivación criptográfica para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La formación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero la "verdadera formación descentralizada a gran escala" sigue siendo un desafío ingenieril sistemático, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Sin embargo, la cuestión de si se puede lograr "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una 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 enfatizan la conformidad con la privacidad, como la atención médica y las finanzas (. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento Descentralizado, pero aún depende de un ente coordinador confiable, y no cuenta con características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y el mecanismo de comunicación, y es más adecuada como una arquitectura de despliegue transitorio en la industria.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
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 dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y sin confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta la segmentación y sincronización efectiva en una red abierta; tareas con fuertes restricciones de privacidad de datos y soberanía ), como la atención médica, las finanzas y datos confidenciales (, están limitadas por la conformidad legal y las restricciones éticas, lo que impide el intercambio abierto; y tareas ) que carecen de incentivos de colaboración, como modelos de código cerrado de empresas o entrenamiento de prototipos internos (, carecen de la motivación para la participación externa. Estos límites en conjunto constituyen las restricciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación descentralizada sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadoras, la formación descentralizada muestra perspectivas de aplicación claras. Esto incluye, pero no se limita a: ajuste fino LoRA, tareas de entrenamiento posentrenamiento alineadas con el comportamiento ) como RLHF, DPO(, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos básicos pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a capacidades computacionales heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm y optimizadores distribuidos.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralización entrenamiento clásico de proyectos análisis
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento 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 tecnológica y la dificultad de implementación técnica, Prime Intellect, Nous Research y Pluralis.ai han propuesto muchas exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden ver progresos ingenieriles preliminares. Este artículo analizará sucesivamente las tecnologías centrales y la arquitectura ingenieril detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
) Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y el valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 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 el ciclo de tareas de manera independiente en local, y colabore con mecanismos de validación y agregación a través de interfaces estandarizadas. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, reduciendo tanto la complejidad del sistema como sentando las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC###Observación de Confianza y Verificación de Localidad( es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo ha completado realmente un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo 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 cual es 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 difusión 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, tienen ancho de banda limitado y estados de nodos variables. Combina mecanismos de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la capacidad de tolerancia a fallos en el entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y para la iteración continua del entrenamiento.
#OpenDiLoCo: Marco de comunicación asíncrono disperso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto de DiLoCo propuesto por DeepMind. Está diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como limitaciones de ancho de banda, heterogeneidad de dispositivos y inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPU de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la accesibilidad al entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL)Prime Collective Communication Library( es una biblioteca de comunicación liviana diseñada 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 baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de las redes de entrenamiento y la compatibilidad de dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento de Descentralización])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona sobre 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 ###SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer sistema en el mundo que utiliza la Descentralización asíncrona y sin necesidad de confianza.