Explorar a vanguarda da Descentralização em Treinamento: O Santo Graal da Crypto AI
Na cadeia de valor total de IA, o treinamento de modelos é a etapa que consome mais recursos e tem o maior limite técnico, decidindo diretamente o teto de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de poder computacional em larga escala, processos de manipulação de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma arquitetônico, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizada por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas alcance o seu melhor, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal abordagem para o treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, a totalidade ainda é controlada e agendada por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de bus de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, sendo necessário corresponder os pesos do modelo.
Paralelismo de Modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência
Paralelismo de tensor: segmentação refinada do cálculo matricial, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os principais modelos, como (GPT-4, Gemini, LLaMA, etc., ) são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) colaborando para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográficos para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade de heterogeneidade e fragmentação de dispositivos: a coordenação de dispositivos heterogêneos é difícil, a eficiência de fragmentação de tarefas é baixa
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
Falta de execução confiável: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso anômalo são complexos
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos em colaboração, mas a "verdadeira grande escala Descentralização treinamento" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a viabilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade, como saúde e finanças (. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento descentralizado, mas ainda depende de uma entidade coordenadora confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em relação a tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
![O Santo Graal da Crypto AI: Exploração na vanguarda do treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Descentralização: Limites, Oportunidades e Caminhos Reais para Treinamento
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à dificuldade de colaboração, ela naturalmente não é adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em redes abertas; tarefas com forte privacidade de dados e restrições de soberania ), como saúde, finanças e dados confidenciais (, são limitadas por conformidade legal e restrições éticas, não podendo ser abertas para compartilhamento; e tarefas sem uma base de incentivo à colaboração ), como modelos de código fechado de empresas ou treinamento de protótipos internos (, carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falsa questão. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ) como RLHF, DPO (, tarefas de treinamento e rotulagem por meio de crowdsourcing de dados, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Atualmente, na vanguarda dos campos de Descentralização de treinamento e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistema e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já mostrando progresso inicial na engenharia. Este artigo irá analisar consecutivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizada.
) Prime Intellect: Pioneiro de rede colaborativa de aprendizado reforçado verificável por trajetória de treinamento
A Prime Intellect está comprometida em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
![O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento Descentralização]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Detalhes sobre os mecanismos chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especialmente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore por meio de interfaces padronizadas com mecanismos de validação e agregação. Comparado ao fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC###Observação Confiável & Verificação de Localidade( é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo do modelo completo, mas sim da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para concluir a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a realização de distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina mecanismos de propagação gossip e estratégias de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados não sincronizados, realizando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto, desenvolvida pela equipe Prime Intellect com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns na formação descentralizada, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, completando o treinamento colaborativo de modelos apenas com base nos nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas de pontos de verificação, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável em tarefas de treinamento, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e em redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
)# 03、Prime Intellect incentivo rede e divisão de papéis
A Prime Intellect construiu uma rede de treino sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de pesos e observar trajetórias
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a validação de trajetórias, a agregação de pesos ###SHARDCAST( e a distribuição de recompensas, formando um ciclo de incentivos em torno do "comportamento de treinamento real".
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
24 gostos
Recompensa
24
5
Republicar
Partilhar
Comentar
0/400
degenwhisperer
· 08-02 02:08
Eh, esta coisa realmente tem potencial. Faça a sua própria investigação (DYOR) há alguns dias e parece bastante confiável.
Ver originalResponder0
GasWaster
· 07-30 07:48
bruhhh o poder de computação são as novas taxas de gás fr fr... rip a minha carteira
Ver originalResponder0
MoneyBurnerSociety
· 07-30 07:31
Profissional em cair em armadilhas, a IA já vendeu três placas gráficas.
Ver originalResponder0
GasFeeNightmare
· 07-30 07:24
Não é à toa que a indústria pesada consome mais Poder de computação do que o gás.
Explorando a vanguarda do treinamento de IA descentralizada: Prime Intellect lidera um novo paradigma de rede colaborativa
Explorar a vanguarda da Descentralização em Treinamento: O Santo Graal da Crypto AI
Na cadeia de valor total de IA, o treinamento de modelos é a etapa que consome mais recursos e tem o maior limite técnico, decidindo diretamente o teto de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de poder computacional em larga escala, processos de manipulação de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma arquitetônico, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizada por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas alcance o seu melhor, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.
O treinamento distribuído é a principal abordagem para o treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, a totalidade ainda é controlada e agendada por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de bus de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os principais modelos, como (GPT-4, Gemini, LLaMA, etc., ) são treinados dessa forma.
A Descentralização do treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) colaborando para completar tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográficos para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização treinamento pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos em colaboração, mas a "verdadeira grande escala Descentralização treinamento" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a viabilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade, como saúde e finanças (. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento descentralizado, mas ainda depende de uma entidade coordenadora confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em relação a tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
![O Santo Graal da Crypto AI: Exploração na vanguarda do treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Descentralização: Limites, Oportunidades e Caminhos Reais para Treinamento
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à dificuldade de colaboração, ela naturalmente não é adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em redes abertas; tarefas com forte privacidade de dados e restrições de soberania ), como saúde, finanças e dados confidenciais (, são limitadas por conformidade legal e restrições éticas, não podendo ser abertas para compartilhamento; e tarefas sem uma base de incentivo à colaboração ), como modelos de código fechado de empresas ou treinamento de protótipos internos (, carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falsa questão. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento demonstra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento de comportamento ) como RLHF, DPO (, tarefas de treinamento e rotulagem por meio de crowdsourcing de dados, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e características que toleram poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralização treinamento clássicos projetos análise
Atualmente, na vanguarda dos campos de Descentralização de treinamento e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistema e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm um caminho de implementação relativamente claro, já mostrando progresso inicial na engenharia. Este artigo irá analisar consecutivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizada.
) Prime Intellect: Pioneiro de rede colaborativa de aprendizado reforçado verificável por trajetória de treinamento
A Prime Intellect está comprometida em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera construir um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave
![O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento Descentralização]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Detalhes sobre os mecanismos chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de Tarefas de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento de Descentralização, projetada especialmente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em local, e colabore por meio de interfaces padronizadas com mecanismos de validação e agregação. Comparado ao fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC###Observação Confiável & Verificação de Localidade( é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz baseado em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo do modelo completo, mas sim da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para concluir a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a realização de distribuição de recompensas de treinamento sem confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
#SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina mecanismos de propagação gossip e estratégias de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados não sincronizados, realizando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento descentralizado, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto, desenvolvida pela equipe Prime Intellect com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns na formação descentralizada, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, completando o treinamento colaborativo de modelos apenas com base nos nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas de pontos de verificação, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável em tarefas de treinamento, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para construir redes de treinamento descentralizadas.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e em redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos da rede de treinamento, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem necessidade de confiança.
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03、Prime Intellect incentivo rede e divisão de papéis
A Prime Intellect construiu uma rede de treino sem permissão, verificável e com mecanismos de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a validação de trajetórias, a agregação de pesos ###SHARDCAST( e a distribuição de recompensas, formando um ciclo de incentivos em torno do "comportamento de treinamento real".
![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro do mundo a ser assíncrono e sem necessidade de confiança.