Explorer l'avant-garde de l'entraînement décentralisé : le Saint Graal de Crypto AI
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et ayant le plus haut seuil technologique, déterminant directement la capacité maximale du modèle et son efficacité d'application réelle. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité dans un cluster haute performance local, où tous les processus d'entraînement, des composants matériels, des logiciels sous-jacents, du système de gestion de cluster, jusqu'au cadre d'entraînement, sont coordonnés par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de grands modèles tels que GPT, Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole de données, de barrières à l'entrée, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuels. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir entre plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé et synchronisé par des organismes centralisés, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
Données parallèles : chaque nœud entraîne différentes données avec des paramètres partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipeline parallèle : exécution sérielle par étapes, amélioration du débit
Parallélisme tensoriel : segmentation fine des calculs matriciels, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron qui dirige à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles dominants comme (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU dans le cloud ou des appareils en périphérie, ) collaborant pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour distribuer les tâches et coopérer, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Difficulté de coordination des appareils hétérogènes et de segmentation : la coordination des appareils hétérogènes est difficile, l'efficacité de la segmentation des tâches est faible.
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation de gradient évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de répartiteur central, distribution des tâches, mécanismes de retour en arrière des anomalies complexes
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier, chacun contribuant de la puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, entre autres niveaux. Cependant, la question de savoir si cela peut être "collaborativement efficace + incitatif à l'honnêteté + résultats corrects" est encore au stade d'exploration précoce des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios qui privilégient la conformité à la vie privée, comme la santé et la finance. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en ayant l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination fiable et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et un mécanisme de communication relativement modérés, ce qui le rend plus approprié en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, des opportunités et des voies réalistes de formation
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, il n'est naturellement pas approprié de réaliser efficacement les tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; des tâches avec des restrictions fortes en matière de confidentialité des données et de souveraineté comme la santé, la finance, ou des données sensibles ( sont limitées par des contraintes légales et éthiques, rendant le partage ouvert impossible ; et les tâches manquant de bases d'incitation à la collaboration, comme l'entraînement de modèles fermés d'entreprise ou de prototypes internes ), manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En réalité, dans des types de tâches légers, faciles à paralléliser et incitatifs, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO(, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des appareils edge. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend particulièrement adaptées à l'entraînement collaboratif via des réseaux P2P, le protocole Swarm, des optimisateurs distribués, etc.
![Le Saint Graal de l'IA Crypto : Exploration de pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation des projets classiques d'entraînement
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, permettant d'observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leur complémentarité dans le système de formation IA décentralisé.
) Prime Intellect : un pionnier des réseaux de collaboration de l'apprentissage renforcé vérifiables par la trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
(# 01、La structure de la pile de protocoles Prime Intellect et la valeur des modules clés
![Le Saint Graal de Crypto AI : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Détails clés du mécanisme d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure pour des scénarios d'entraînement décentralisés, développé par Prime Intellect, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment sa boucle de tâches localement, et de collaborer avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système tout en établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localisation politique### est un mécanisme central de vérifiabilité de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a vraiment réalisé un apprentissage stratégique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre la "séquence d'observation ↔ mise à jour de la stratégie" pour effectuer une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution des récompenses d'entraînement sans confiance, offrant ainsi une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de propagation et d'agrégation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœud variables. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Comparé aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et un entraînement itératif continu.
#OpenDiLoCo: Cadre de communication asynchrone épars
OpenDiLoCo est un cadre d'optimisation de la communication développé et open-source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants de l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, ce qui évite les coûts de communication élevés associés à la synchronisation globale, et permet d'effectuer un entraînement collaboratif du modèle en s'appuyant uniquement sur des nœuds voisins locaux. Grâce à la mise à jour asynchrone et au mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression des gradients, la synchronisation de faible précision et la reprise à partir de points d'arrêt, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la "dernière étape" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
![Le Saint Graal de Crypto AI : Exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03, Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et avec un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier l'authenticité du comportement d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids (SHARDCAST) et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier au monde basé sur une technologie asynchrone et sans confiance.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
24 J'aime
Récompense
24
4
Partager
Commentaire
0/400
GasWaster
· 07-30 07:48
bruhhh la puissance de calcul est le nouveau frais de gas fr fr... rip mon portefeuille
Voir l'originalRépondre0
MoneyBurnerSociety
· 07-30 07:31
Expert en pièges, l'IA a déjà vendu trois cartes graphiques.
Voir l'originalRépondre0
GasFeeNightmare
· 07-30 07:24
Pas étonnant que ce soit l'industrie lourde, la puissance de calcul brûle plus que les frais de gas.
Explorer l'avant-garde de l'entraînement AI décentralisé : Prime Intellect mène un nouveau paradigme de réseau collaboratif
Explorer l'avant-garde de l'entraînement décentralisé : le Saint Graal de Crypto AI
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et ayant le plus haut seuil technologique, déterminant directement la capacité maximale du modèle et son efficacité d'application réelle. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité dans un cluster haute performance local, où tous les processus d'entraînement, des composants matériels, des logiciels sous-jacents, du système de gestion de cluster, jusqu'au cadre d'entraînement, sont coordonnés par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de grands modèles tels que GPT, Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes de monopole de données, de barrières à l'entrée, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuels. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir entre plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé et synchronisé par des organismes centralisés, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron qui dirige à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles dominants comme (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU dans le cloud ou des appareils en périphérie, ) collaborant pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour distribuer les tâches et coopérer, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier, chacun contribuant de la puissance de calcul pour entraîner un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, entre autres niveaux. Cependant, la question de savoir si cela peut être "collaborativement efficace + incitatif à l'honnêteté + résultats corrects" est encore au stade d'exploration précoce des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios qui privilégient la conformité à la vie privée, comme la santé et la finance. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en ayant l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination fiable et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et un mécanisme de communication relativement modérés, ce qui le rend plus approprié en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, des opportunités et des voies réalistes de formation
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, il n'est naturellement pas approprié de réaliser efficacement les tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; des tâches avec des restrictions fortes en matière de confidentialité des données et de souveraineté comme la santé, la finance, ou des données sensibles ( sont limitées par des contraintes légales et éthiques, rendant le partage ouvert impossible ; et les tâches manquant de bases d'incitation à la collaboration, comme l'entraînement de modèles fermés d'entreprise ou de prototypes internes ), manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En réalité, dans des types de tâches légers, faciles à paralléliser et incitatifs, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO(, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des appareils edge. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend particulièrement adaptées à l'entraînement collaboratif via des réseaux P2P, le protocole Swarm, des optimisateurs distribués, etc.
![Le Saint Graal de l'IA Crypto : Exploration de pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation des projets classiques d'entraînement
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs comprennent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de pointe de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, permettant d'observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leur complémentarité dans le système de formation IA décentralisé.
) Prime Intellect : un pionnier des réseaux de collaboration de l'apprentissage renforcé vérifiables par la trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère, grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
(# 01、La structure de la pile de protocoles Prime Intellect et la valeur des modules clés
![Le Saint Graal de Crypto AI : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Détails clés du mécanisme d'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure pour des scénarios d'entraînement décentralisés, développé par Prime Intellect, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment sa boucle de tâches localement, et de collaborer avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système tout en établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localisation politique### est un mécanisme central de vérifiabilité de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a vraiment réalisé un apprentissage stratégique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre la "séquence d'observation ↔ mise à jour de la stratégie" pour effectuer une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution des récompenses d'entraînement sans confiance, offrant ainsi une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de propagation et d'agrégation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœud variables. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Comparé aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et un entraînement itératif continu.
#OpenDiLoCo: Cadre de communication asynchrone épars
OpenDiLoCo est un cadre d'optimisation de la communication développé et open-source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants de l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, ce qui évite les coûts de communication élevés associés à la synchronisation globale, et permet d'effectuer un entraînement collaboratif du modèle en s'appuyant uniquement sur des nœuds voisins locaux. Grâce à la mise à jour asynchrone et au mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression des gradients, la synchronisation de faible précision et la reprise à partir de points d'arrêt, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la "dernière étape" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
![Le Saint Graal de Crypto AI : Exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03, Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et avec un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids (SHARDCAST) et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier au monde basé sur une technologie asynchrone et sans confiance.