Le Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement la capacité maximale du modèle et l'effet d'application réel. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, un traitement complexe des données et un soutien d'algorithmes d'optimisation de haute intensité, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels et logiciels sous-jacents au système de gestion de cluster et aux cadres d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde synergie permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et 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 unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les répartir sur plusieurs machines pour qu'elles s'exécutent de manière collaborative, afin de surmonter les goulets d'étranglement 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, orchestré et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local haut débit, utilisant la technologie de bus de connexion haute vitesse NVLink pour coordonner les sous-tâches par le nœud principal. Les méthodes principales incluent :
Données parallèles : chaque nœud entraîne différents paramètres de données 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 séquentielle par étapes, amélioration du débit
Parallélisme de tenseurs : segmentation fine du calcul matriciel, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles mainstream sont formés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour distribuer et coopérer sur les tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de découpage : difficulté élevée à coordonner des appareils hétérogènes, faible efficacité de découpage des tâches
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement évident dans la synchronisation des gradients
Exécution de confiance manquante : manque d'environnement d'exécution de confiance, difficile de vérifier si le nœud participe réellement au calcul.
Manque de coordination unifiée : pas de répartiteur central, distribution des tâches et mécanisme de retour en arrière des anomalies complexe
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore en phase d'exploration précoce du prototype.
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 axés sur la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la distribution des données de l'entraînement décentralisé, mais reste dépendant d'une partie coordonnatrice de confiance, ne possédant pas de caractéristiques complètement ouvertes et anti-censure. Il peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et le mécanisme de communication sont relativement modérés, et convient mieux comme architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites, des opportunités et des réalités de la 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 de la tâche, des besoins en ressources extrêmement élevés ou d'une grande difficulté de collaboration, elle n'est naturellement pas adaptée pour être réalisée de manière efficace entre des nœuds hétérogènes et sans confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches soumises à des restrictions de confidentialité des données et de souveraineté sont limitées par des exigences légales et éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant de bases d'incitation à la collaboration 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 fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, 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-formation d'alignement comportemental, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, permettant d'apercevoir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies centrales et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le cadre des systèmes d'entraînement AI décentralisés.
Prime Intellect: Pionnier des réseaux de coopération d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement à l'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement à l'IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant ainsi à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de vérification et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant à la fois la complexité du système et établissant une base pour le soutien à l'exécution de tâches multiples en parallèle et à l'évolution des stratégies.
TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais achève la vérification de la structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation↔mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une répartition de récompenses d'entraînement sans confiance, et offre une voie faisable pour construire un réseau de formation collaboratif décentralisé, auditables et incitatif.
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement Décentralisation, constituant la base fondamentale pour établir un consensus de poids stable et des itérations d'entraînement continues.
OpenDiLoCo est un cadre d'optimisation de communication, développé de manière indépendante 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 tels que la bande passante limitée, l'hétérogénéité des dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, tout en s'appuyant uniquement sur les nœuds voisins locaux pour réaliser un entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant 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 est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables. C'est un composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'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 l'entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, constituant ainsi un cercle d'incitation autour du "comportement d'entraînement réel".
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par des nœuds décentralisés, asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité d'un réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais constitue également la première mise en œuvre systématique du paradigme "formation égale consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle d'incitation économique dans le processus de formation d'un réseau de formation décentralisé.
En termes de performance, INTELLECT-2 est basé sur le QwQ-32B et a été spécifiquement entraîné avec du RL en code et en mathématiques, atteignant un niveau de pointe dans les modèles de RL open source. Bien qu'il n'ait pas encore surpassé des modèles tels que GPT-4 ou Gemini, sa véritable signification réside dans le fait qu'il s'agit du premier modèle décentralisé au monde dont le processus d'entraînement complet est reproductible, vérifiable et auditable. Prime Intellect a non seulement rendu le modèle open source, mais plus important encore, il a ouvert le processus d'entraînement lui-même - les données d'entraînement, les trajectoires de mise à jour des stratégies, les processus de validation et la logique d'agrégation sont tous transparents et vérifiables, construisant un prototype de réseau d'entraînement décentralisé où chacun peut participer, collaborer de manière fiable et partager les bénéfices.
Pluralis: Parallélisme des modèles asynchrones et paradigme de formation collaborative de compression de structure
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.
12 J'aime
Récompense
12
6
Partager
Commentaire
0/400
OptionWhisperer
· 07-17 11:40
J'avais dit que la puissance de calcul était le goulot d'étranglement.
Voir l'originalRépondre0
TokenCreatorOP
· 07-16 08:09
Les frais de scolarité ont été liquidés, je ne peux pas gérer.
Voir l'originalRépondre0
SybilSlayer
· 07-14 14:35
Encore en train de spéculer sur des concepts, s'il vous plaît.
Voir l'originalRépondre0
LiquidationAlert
· 07-14 14:35
Cela risque de ne pas bien se passer.
Voir l'originalRépondre0
PositionPhobia
· 07-14 14:21
C'est juste pour s'amuser, je ne comprends pas.
Voir l'originalRépondre0
GhostAddressHunter
· 07-14 14:07
La puissance de calcul véritablement centralisée est en effet énorme.
Exploration de l'entraînement AI décentralisé : des innovations technologiques de Prime Intellect à Pluralis
Le Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement la capacité maximale du modèle et l'effet d'application réel. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, un traitement complexe des données et un soutien d'algorithmes d'optimisation de haute intensité, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels et logiciels sous-jacents au système de gestion de cluster et aux cadres d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde synergie permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et 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 unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuels. Son principe fondamental est de décomposer les tâches d'entraînement du modèle, puis de les répartir sur plusieurs machines pour qu'elles s'exécutent de manière collaborative, afin de surmonter les goulets d'étranglement 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, orchestré et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local haut débit, utilisant la technologie de bus de connexion haute vitesse NVLink pour coordonner les sous-tâches par le nœud principal. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles mainstream sont formés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour distribuer et coopérer sur les tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore en phase d'exploration précoce du prototype.
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 axés sur la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la distribution des données de l'entraînement décentralisé, mais reste dépendant d'une partie coordonnatrice de confiance, ne possédant pas de caractéristiques complètement ouvertes et anti-censure. Il peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et le mécanisme de communication sont relativement modérés, et convient mieux comme architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites, des opportunités et des réalités de la 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 de la tâche, des besoins en ressources extrêmement élevés ou d'une grande difficulté de collaboration, elle n'est naturellement pas adaptée pour être réalisée de manière efficace entre des nœuds hétérogènes et sans confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches soumises à des restrictions de confidentialité des données et de souveraineté sont limitées par des exigences légales et éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant de bases d'incitation à la collaboration 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 fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, 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-formation d'alignement comportemental, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, permettant d'apercevoir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies centrales et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le cadre des systèmes d'entraînement AI décentralisés.
Prime Intellect: Pionnier des réseaux de coopération d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement à l'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement à l'IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant ainsi à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de vérification et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant à la fois la complexité du système et établissant une base pour le soutien à l'exécution de tâches multiples en parallèle et à l'évolution des stratégies.
TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais achève la vérification de la structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation↔mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une répartition de récompenses d'entraînement sans confiance, et offre une voie faisable pour construire un réseau de formation collaboratif décentralisé, auditables et incitatif.
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états désynchronisés, réalisant une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement Décentralisation, constituant la base fondamentale pour établir un consensus de poids stable et des itérations d'entraînement continues.
OpenDiLoCo est un cadre d'optimisation de communication, développé de manière indépendante 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 tels que la bande passante limitée, l'hétérogénéité des dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, tout en s'appuyant uniquement sur les nœuds voisins locaux pour réaliser un entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant 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 est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables. C'est un composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'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 et la distribution des récompenses, constituant ainsi un cercle d'incitation autour du "comportement d'entraînement réel".
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par des nœuds décentralisés, asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été formé en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité d'un réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais constitue également la première mise en œuvre systématique du paradigme "formation égale consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle d'incitation économique dans le processus de formation d'un réseau de formation décentralisé.
En termes de performance, INTELLECT-2 est basé sur le QwQ-32B et a été spécifiquement entraîné avec du RL en code et en mathématiques, atteignant un niveau de pointe dans les modèles de RL open source. Bien qu'il n'ait pas encore surpassé des modèles tels que GPT-4 ou Gemini, sa véritable signification réside dans le fait qu'il s'agit du premier modèle décentralisé au monde dont le processus d'entraînement complet est reproductible, vérifiable et auditable. Prime Intellect a non seulement rendu le modèle open source, mais plus important encore, il a ouvert le processus d'entraînement lui-même - les données d'entraînement, les trajectoires de mise à jour des stratégies, les processus de validation et la logique d'agrégation sont tous transparents et vérifiables, construisant un prototype de réseau d'entraînement décentralisé où chacun peut participer, collaborer de manière fiable et partager les bénéfices.
Pluralis: Parallélisme des modèles asynchrones et paradigme de formation collaborative de compression de structure