Khám phá những ranh giới của đào tạo Phi tập trung: Chén thánh của Crypto AI
Trong toàn bộ chuỗi giá trị AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình đào tạo cần đầu tư sức mạnh tính toán lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, là "công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo Phi tập trung mà bài viết này tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm tầng dưới, hệ thống lập lịch cụm, cho đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ gradient và cơ chế chống lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Đào tạo phân tán là phương thức chính trong đào tạo mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ đào tạo mô hình, phân phối đến nhiều máy tính để thực hiện phối hợp, nhằm vượt qua các giới hạn về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, được điều phối bởi nút chính để thống nhất các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: Mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ
Đường ống song song: Thực hiện tuần tự theo các giai đoạn, tăng thông lượng
Phân tán tensor: Chia nhỏ tính toán ma trận, nâng cao độ mịn của song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính (GPT-4, Gemini, LLaMA và ) đều được hoàn thành bằng cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần một bộ điều phối trung tâm, thường thông qua các giao thức để điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của những đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Thiết bị không đồng nhất và khó phân chia: Khó khăn trong việc phối hợp thiết bị không đồng nhất, hiệu quả phân chia nhiệm vụ thấp
Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng
Thiếu khả năng thực thi tin cậy: Thiếu môi trường thực thi tin cậy, khó xác minh các nút có thực sự tham gia tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung tâm, việc phân phát nhiệm vụ và cơ chế khôi phục sự cố phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức giao tiếp, an ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương, tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật huấn luyện phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc tính hoàn toàn mở và chống kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, phù hợp hơn để làm cấu trúc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Xét từ góc độ phương thức đào tạo, đào tạo phi tập trung không phù hợp cho tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực kỳ cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó khăn trong việc chia tách và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh mẽ ( như y tế, tài chính, dữ liệu nhạy cảm ) bị hạn chế bởi tuân thủ pháp luật và các ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác ( như mô hình khép kín của doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ) thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một luận đề giả. Trên thực tế, trong các loại tác vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các tác vụ đào tạo sau hành vi như RLHF, DPO(, các tác vụ đào tạo và ghi nhãn dữ liệu crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những tác vụ này thường có tính song song cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.
![Cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng, đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
) Prime Intellect: Đường đi huấn luyện có thể xác minh của mạng lưới hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có thể xác minh, tính mở và đầy đủ cơ chế khuyến khích.
(# 01、Cấu trúc giao thức Prime Intellect và giá trị của các mô-đun chính
![Cúp thánh của Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02、Giải thích chi tiết cơ chế huấn luyện Prime Intellect
#PRIME-RL: Cấu trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các tình huống đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị biệt và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, phân tách có cấu trúc quy trình đào tạo, suy luận và tải lên trọng số, cho phép mỗi nút đào tạo hoàn thành chu trình nhiệm vụ độc lập tại địa phương, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và sự phát triển chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC(Theo dõi đáng tin cậy & Kiểm tra chính sách-Địa phương hóa) là cơ chế cốt lõi về khả năng kiểm chứng được đề xuất bởi Prime Intellect, nhằm xác định xem một nút có thực sự hoàn thành việc học chính sách hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chính sách" giữa các quỹ đạo nhất quán cục bộ, hoàn thành việc xác minh cấu trúc nhẹ. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể kiểm chứng, là đổi mới chính trong việc thực hiện phân phối phần thưởng đào tạo mà không cần tin tưởng, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và phát tán trọng số bất đồng bộ
SHARDCAST là giao thức truyền và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận về trọng số ổn định và đào tạo lặp liên tục.
#OpenDiLoCo: Khung giao tiếp bất đối xứng thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên triết lý DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết những thách thức thường gặp trong huấn luyện phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và sự không ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành huấn luyện mô hình đồng bộ. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi tại điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào nhiệm vụ huấn luyện, nâng cao khả năng tham gia vào huấn luyện hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới huấn luyện phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL###Prime Collective Communication Library( là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng băng thông thấp. PCCL hỗ trợ topology thưa, nén gradient, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối cùng" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
![Cái chén thánh của Crypto AI: Khám phá tiền tuyến của đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03、Mạng kích thích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần xin phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận thưởng dựa trên những đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: xác định môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
Nút đào tạo: thực hiện đào tạo cục bộ, gửi cập nhật trọng số và theo dõi quan sát
Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia vào việc tính toán phần thưởng cũng như tổng hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
![Cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect sẽ phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là sản phẩm đầu tiên trên thế giới được phát triển bởi phương thức Phi tập trung, không cần sự tin cậy.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
24 thích
Phần thưởng
24
5
Chia sẻ
Bình luận
0/400
degenwhisperer
· 08-02 02:08
Ê này thật sự có triển vọng Tự nghiên cứu (DYOR) đã vài ngày cảm thấy khá đáng tin cậy
Xem bản gốcTrả lời0
GasWaster
· 07-30 07:48
bruhhh sức mạnh tính toán là phí gas mới thật sự... rip ví của tôi
Xem bản gốcTrả lời0
MoneyBurnerSociety
· 07-30 07:31
Chuyên gia mắc lỗi, AI đã bán được ba card đồ họa.
Xem bản gốcTrả lời0
GasFeeNightmare
· 07-30 07:24
Không hổ danh là công nghiệp nặng, khả năng tính toán tiêu tốn còn nhiều hơn cả phí gas.
Khám phá ranh giới đào tạo AI Phi tập trung: Prime Intellect dẫn đầu mô hình mạng hợp tác mới
Khám phá những ranh giới của đào tạo Phi tập trung: Chén thánh của Crypto AI
Trong toàn bộ chuỗi giá trị AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình đào tạo cần đầu tư sức mạnh tính toán lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, là "công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo Phi tập trung mà bài viết này tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm tầng dưới, hệ thống lập lịch cụm, cho đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ gradient và cơ chế chống lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Đào tạo phân tán là phương thức chính trong đào tạo mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ đào tạo mô hình, phân phối đến nhiều máy tính để thực hiện phối hợp, nhằm vượt qua các giới hạn về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, được điều phối bởi nút chính để thống nhất các nhiệm vụ con. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính (GPT-4, Gemini, LLaMA và ) đều được hoàn thành bằng cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần một bộ điều phối trung tâm, thường thông qua các giao thức để điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của những đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức giao tiếp, an ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương, tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật huấn luyện phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc tính hoàn toàn mở và chống kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, phù hợp hơn để làm cấu trúc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Xét từ góc độ phương thức đào tạo, đào tạo phi tập trung không phù hợp cho tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực kỳ cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó khăn trong việc chia tách và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh mẽ ( như y tế, tài chính, dữ liệu nhạy cảm ) bị hạn chế bởi tuân thủ pháp luật và các ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác ( như mô hình khép kín của doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ) thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một luận đề giả. Trên thực tế, trong các loại tác vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các tác vụ đào tạo sau hành vi như RLHF, DPO(, các tác vụ đào tạo và ghi nhãn dữ liệu crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những tác vụ này thường có tính song song cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.
![Cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng, đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
) Prime Intellect: Đường đi huấn luyện có thể xác minh của mạng lưới hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có thể xác minh, tính mở và đầy đủ cơ chế khuyến khích.
(# 01、Cấu trúc giao thức Prime Intellect và giá trị của các mô-đun chính
![Cúp thánh của Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02、Giải thích chi tiết cơ chế huấn luyện Prime Intellect
#PRIME-RL: Cấu trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các tình huống đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị biệt và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, phân tách có cấu trúc quy trình đào tạo, suy luận và tải lên trọng số, cho phép mỗi nút đào tạo hoàn thành chu trình nhiệm vụ độc lập tại địa phương, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và sự phát triển chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC(Theo dõi đáng tin cậy & Kiểm tra chính sách-Địa phương hóa) là cơ chế cốt lõi về khả năng kiểm chứng được đề xuất bởi Prime Intellect, nhằm xác định xem một nút có thực sự hoàn thành việc học chính sách hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chính sách" giữa các quỹ đạo nhất quán cục bộ, hoàn thành việc xác minh cấu trúc nhẹ. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể kiểm chứng, là đổi mới chính trong việc thực hiện phân phối phần thưởng đào tạo mà không cần tin tưởng, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và phát tán trọng số bất đồng bộ
SHARDCAST là giao thức truyền và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận về trọng số ổn định và đào tạo lặp liên tục.
#OpenDiLoCo: Khung giao tiếp bất đối xứng thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên triết lý DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết những thách thức thường gặp trong huấn luyện phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và sự không ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành huấn luyện mô hình đồng bộ. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi tại điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào nhiệm vụ huấn luyện, nâng cao khả năng tham gia vào huấn luyện hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới huấn luyện phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL###Prime Collective Communication Library( là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng băng thông thấp. PCCL hỗ trợ topology thưa, nén gradient, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối cùng" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
![Cái chén thánh của Crypto AI: Khám phá tiền tuyến của đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 03、Mạng kích thích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần xin phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận thưởng dựa trên những đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
![Cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect sẽ phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là sản phẩm đầu tiên trên thế giới được phát triển bởi phương thức Phi tập trung, không cần sự tin cậy.