Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est la phase qui consomme le plus de ressources et qui présente le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'effet d'application réel. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "heavy industry" 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 institution au sein d'un cluster local à haute performance, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde optimise l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement, son principe fondamental étant de décomposer les tâches d'entraînement du modèle et de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie NVLink pour le bus d'interconnexion haute vitesse, avec le nœud principal coordonnant unifié toutes les sous-tâches. Les méthodes principales comprennent :
Données parallèles : chaque nœud entraîne des paramètres de données différents, partageant les poids du modèle, nécessitant une correspondance.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
Pipeline parallèle : exécution sérielle par étapes, augmentation du débit
Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration du degré de parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance plusieurs bureaux pour que les employés collaborent à la réalisation d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente donc un avenir plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs domestiques, des GPU dans le cloud ou des dispositifs en périphérie ) qui collaborent à l'accomplissement des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour diriger la distribution des tâches et la coopération, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des appareils et difficulté de découpage : la coordination entre appareils hétérogènes est difficile et l'efficacité du découpage des tâches est faible.
Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si le nœud participe réellement au calcul.
Manque de coordination uniforme : pas de répartiteur central, distribution des tâches, mécanisme de rollback des exceptions complexe
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour former 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 plusieurs autres niveaux, mais la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais dépend toujours d'une partie de coordination de confiance et ne possède pas les caractéristiques d'ouverture complète et de résistance à la censure. Cela peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus adaptée comme une architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites de l'entraînement, des opportunités et des chemins réels
En termes de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains cas, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à être réalisée de manière efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité et de souveraineté des données sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'incitations à la collaboration manquent de motivation externe à participer. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est une fausse question. En fait, dans des types de tâches légères, facilement parallèles et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement postérieur d'alignement comportemental telles que RLHF, DPO(, l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de petits modèles de base avec des ressources contrôlées, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend particulièrement adaptées à l'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 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 pointe de la recherche théorique actuelle ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, et on peut déjà observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le cadre d'un système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01, Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
)# 02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure pour des scénarios d'entraînement décentralisés développé par Prime Intellect, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant avec des mécanismes de validation et d'agrégation via une interface normalisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système tout en posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC est un mécanisme de cœur de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de structure légère en analysant les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires de comportement pendant le processus d'entraînement en objets vérifiables, représentant une innovation clé pour réaliser une répartition de récompenses d'entraînement sans confiance, fournissant un chemin réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine des mécanismes de diffusion de type gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour construire un consensus de poids stable et des itérations d'entraînement continues.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils 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 le coût de communication élevé d'une synchronisation globale, et ne dépendant que des nœuds voisins locaux pour effectuer 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: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure pour l'environnement d'entraînement AI décentralisé de Prime Intellect, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles dans des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à basse précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la voie à la construction d'un véritable réseau d'entraînement collaboratif ouvert et sans confiance, en résolvant la "dernière étape" de la communication.
03、Prime Intellect incitation réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
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 validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été entraîné en collaboration par plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture totalement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant ainsi la faisabilité et la stabilité d'un réseau de collaboration asynchrone. Ce modèle représente non seulement une avancée en termes de performance, mais également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre les modules clés des protocoles tels que la structure d'entraînement asynchrone PRIME-RL###, la validation des comportements d'entraînement TOPLOC( et l'agrégation asynchrone des poids SHARDCAST), marquant ainsi la première réalisation d'un réseau d'entraînement décentralisé.
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.
13 J'aime
Récompense
13
6
Reposter
Partager
Commentaire
0/400
SquidTeacher
· 07-27 10:26
Les prophètes disent tous que c'est bon !
Voir l'originalRépondre0
ShibaOnTheRun
· 07-25 02:34
Former un chien est le Saint Graal.
Voir l'originalRépondre0
LayoffMiner
· 07-24 13:50
En creusant, j'ai été diplômé.
Voir l'originalRépondre0
MemecoinTrader
· 07-24 13:46
haussier sur la formation d'IA décentralisée... j'ai déjà positionné mes sacs pour la prochaine vague narrative
Voir l'originalRépondre0
ChainChef
· 07-24 13:45
bruh cet entraînement d'IA a besoin de plus de temps pour mariner... encore trop cru fr
Voir l'originalRépondre0
Lonely_Validator
· 07-24 13:34
peut-on courir plus vite que les principales plateformes d'échanges
Exploration à la pointe de l'entraînement AI décentralisé : chemin d'évolution de la centralisation à la décentralisation
Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est la phase qui consomme le plus de ressources et qui présente le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'effet d'application réel. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "heavy industry" 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 institution au sein d'un cluster local à haute performance, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde optimise l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point unique.
L'entraînement distribué est la méthode principale d'entraînement des grands modèles actuellement, son principe fondamental étant de décomposer les tâches d'entraînement du modèle et de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie NVLink pour le bus d'interconnexion haute vitesse, avec le nœud principal coordonnant unifié toutes les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance plusieurs bureaux pour que les employés collaborent à la réalisation d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente donc un avenir plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs domestiques, des GPU dans le cloud ou des dispositifs en périphérie ) qui collaborent à l'accomplissement des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour diriger la distribution des tâches et la coopération, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour former 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 plusieurs autres niveaux, mais la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais dépend toujours d'une partie de coordination de confiance et ne possède pas les caractéristiques d'ouverture complète et de résistance à la censure. Cela peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus adaptée comme une architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites de l'entraînement, des opportunités et des chemins réels
En termes de paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains cas, en raison de la complexité de la structure de la tâche, des exigences en ressources extrêmement élevées ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à être réalisée de manière efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité et de souveraineté des données sont limitées par la conformité légale et les contraintes éthiques, et ne peuvent pas être partagées ouvertement ; tandis que les tâches manquant d'incitations à la collaboration manquent de motivation externe à participer. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est une fausse question. En fait, dans des types de tâches légères, facilement parallèles et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement postérieur d'alignement comportemental telles que RLHF, DPO(, l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de petits modèles de base avec des ressources contrôlées, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend particulièrement adaptées à l'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 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 pointe de la recherche théorique actuelle ; tandis que les chemins d'implémentation de Gensyn et Flock.io sont relativement clairs, et on peut déjà observer des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le cadre d'un système d'entraînement AI décentralisé.
) Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
01, Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
)# 02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure pour des scénarios d'entraînement décentralisés développé par Prime Intellect, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement le processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant avec des mécanismes de validation et d'agrégation via une interface normalisée. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système tout en posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de vérification du comportement d'entraînement léger
TOPLOC est un mécanisme de cœur de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de structure légère en analysant les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires de comportement pendant le processus d'entraînement en objets vérifiables, représentant une innovation clé pour réaliser une répartition de récompenses d'entraînement sans confiance, fournissant un chemin réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine des mécanismes de diffusion de type gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour construire un consensus de poids stable et des itérations d'entraînement continues.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source réalisé par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils 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 le coût de communication élevé d'une synchronisation globale, et ne dépendant que des nœuds voisins locaux pour effectuer 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: Bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure pour l'environnement d'entraînement AI décentralisé de Prime Intellect, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles dans des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradients, la synchronisation à basse précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la voie à la construction d'un véritable réseau d'entraînement collaboratif ouvert et sans confiance, en résolvant la "dernière étape" de la communication.
03、Prime Intellect incitation réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des 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 validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été entraîné en collaboration par plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture totalement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant ainsi la faisabilité et la stabilité d'un réseau de collaboration asynchrone. Ce modèle représente non seulement une avancée en termes de performance, mais également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre les modules clés des protocoles tels que la structure d'entraînement asynchrone PRIME-RL###, la validation des comportements d'entraînement TOPLOC( et l'agrégation asynchrone des poids SHARDCAST), marquant ainsi la première réalisation d'un réseau d'entraînement décentralisé.