O Santo Graal do Crypto AI: Explorações de vanguarda em treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite 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 em potência computacional em larga escala, processos complexos de processamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista da arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizagem federada e o treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, 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 torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ideal, sendo muito adequada para o treinamento de grandes modelos como GPT e Gemini, apresentando vantagens em eficiência e controle de recursos, 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 forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os limites de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por uma entidade centralizada, normalmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink para coordenar uniformemente as subtarefas pelo nó principal. Os métodos predominantes 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 uma forte escalabilidade
Pipeline paralelo: execução sequencial em fases, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo matricial, aumentando o grau de paralelismo
O treino distribuído é uma combinação de "controlo centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários empregados de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados desta maneira.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características principais são: múltiplos nós que não se confiam mutuamente (, que podem ser computadores domésticos, GPUs na nuvem ou dispositivos de borda ), colaborando para concluir tarefas de treinamento sem um coordenador central, geralmente impulsionados por protocolos para distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográficos para garantir a honestidade das contribuições. Os principais desafios que esse modelo enfrenta incluem:
Dificuldade na heterogeneidade dos dispositivos e na divisão: alta dificuldade de coordenação entre dispositivos heterogêneos, baixa eficiência na divisão de tarefas
Gargalos de eficiência de comunicação: a comunicação em rede é instável, e o gargalo de sincronização de gradiente é evidente
Execução confiável ausente: falta de um ambiente de execução confiável, difícil de verificar se os nós realmente participam do cálculo
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso de exceções são complexos.
O treinamento descentralizado pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolo de comunicação, segurança criptográfica, mecanismo econômico, validação de modelo e vários outros aspectos, mas a questão de saber se "colaborar eficazmente + incentivar a honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade, como saúde, finanças (. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que aproveita a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, com tarefas de treinamento, estrutura de confiança e mecanismos de comunicação relativamente brandos, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
![O Santo Graal do Crypto AI: Exploração de vanguarda em treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Descentralização: Limites, Oportunidades e Caminhos Reais da Formação
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, às elevadas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e desconfiados. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, tornando difícil dividir e sincronizar efetivamente em redes abertas; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e considerações éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falácia. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ) como RLHF, DPO(, tarefas de treinamento e rotulagem por meio de crowdsourcing de dados, treinamento de modelos base pequenos com controle de recursos, e cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente apresentam alta paralelização, baixa acoplabilidade e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram muitas explorações originais na arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica atuais; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progresso inicial em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizagem reforçada com trajetórias de treinamento verificáveis
A Prime Intellect está dedicada a 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, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo.
01、Estrutura do stack de protocolos Prime Intellect e valor dos módulos-chave
)# 02、Detalhes sobre os mecanismos-chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o 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 com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim através da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia", completa a verificação de estrutura leve. É a primeira vez que as trajetórias de comportamento durante o processo de treinamento são transformadas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada, auditável e incentivada.
#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 estado de nó variável. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós apresentem continuamente atualizações parciais em estados assíncronos, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso estável de pesos e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas dependendo de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de uma rede de treinamento descentralizada.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada 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 redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói 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 treinamento sem permissão, verificável e com um mecanismo 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 tipos de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar no cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
![O Santo Graal do Crypto AI: Exploração de vanguarda do treinamento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.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 grande modelo de aprendizado por reforço treinado globalmente através da colaboração de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos com GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. Este modelo não apenas representa uma ruptura em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra os módulos principais de protocolo, como a estrutura de treinamento assíncrona PRIME-RL###, a validação de comportamento de treinamento TOPLOC( e a agregação de pesos assíncrona SHARDCAST), marcando a primeira realização do treinamento em rede descentralizada.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
13 Curtidas
Recompensa
13
6
Repostar
Compartilhar
Comentário
0/400
SquidTeacher
· 07-27 10:26
Os profetas também dizem que é bom!
Ver originalResponder0
ShibaOnTheRun
· 07-25 02:34
Treinar cães é o verdadeiro Santo Graal.
Ver originalResponder0
LayoffMiner
· 07-24 13:50
A cavar, acabei por me formar.
Ver originalResponder0
MemecoinTrader
· 07-24 13:46
em alta em formação de IA descentralizada... já posicionei meus ativos para a próxima onda narrativa
Ver originalResponder0
ChainChef
· 07-24 13:45
bruh este treino de IA precisa de mais tempo para marinar... ainda está demasiado cru fr
Ver originalResponder0
Lonely_Validator
· 07-24 13:34
Correr ou não correr mais rápido que a troca de topo
Descentralização da IA: Exploração de Vanguarda na Evolução de Centralizado para Distribuído
O Santo Graal do Crypto AI: Explorações de vanguarda em treinamento Descentralização
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite 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 em potência computacional em larga escala, processos complexos de processamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista da arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizagem federada e o treinamento descentralizado, que é o foco principal deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, 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 torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ideal, sendo muito adequada para o treinamento de grandes modelos como GPT e Gemini, apresentando vantagens em eficiência e controle de recursos, 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 forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os limites de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por uma entidade centralizada, normalmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão NVLink para coordenar uniformemente as subtarefas pelo nó principal. Os métodos predominantes incluem:
O treino distribuído é uma combinação de "controlo centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários empregados de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos de grande escala são treinados desta maneira.
Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características principais são: múltiplos nós que não se confiam mutuamente (, que podem ser computadores domésticos, GPUs na nuvem ou dispositivos de borda ), colaborando para concluir tarefas de treinamento sem um coordenador central, geralmente impulsionados por protocolos para distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográficos para garantir a honestidade das contribuições. Os principais desafios que esse modelo enfrenta incluem:
O treinamento descentralizado pode ser entendido como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolo de comunicação, segurança criptográfica, mecanismo econômico, validação de modelo e vários outros aspectos, mas a questão de saber se "colaborar eficazmente + incentivar a honestidade + resultados corretos" ainda está na fase inicial de exploração de protótipos.
O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade, como saúde, finanças (. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que aproveita a vantagem da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte coordenadora confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, com tarefas de treinamento, estrutura de confiança e mecanismos de comunicação relativamente brandos, sendo mais adequado como uma arquitetura de implantação transitória na indústria.
![O Santo Graal do Crypto AI: Exploração de vanguarda em treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Descentralização: Limites, Oportunidades e Caminhos Reais da Formação
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, às elevadas demandas de recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e desconfiados. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, tornando difícil dividir e sincronizar efetivamente em redes abertas; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e considerações éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falácia. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ) como RLHF, DPO(, tarefas de treinamento e rotulagem por meio de crowdsourcing de dados, treinamento de modelos base pequenos com controle de recursos, e cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente apresentam alta paralelização, baixa acoplabilidade e tolerância a capacidades computacionais heterogêneas, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolo Swarm, otimizadores distribuídos, entre outros.
Descentralização treino clássico projeto análise
Atualmente, na vanguarda do treinamento Descentralização e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai apresentaram muitas explorações originais na arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica atuais; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progresso inicial em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e a arquitetura de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralização.
) Prime Intellect: Pioneiro de redes colaborativas de aprendizagem reforçada com trajetórias de treinamento verificáveis
A Prime Intellect está dedicada a 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, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado com verificabilidade, abertura e um mecanismo de incentivos completo.
01、Estrutura do stack de protocolos Prime Intellect e valor dos módulos-chave
![Crypto AI的圣杯：Descentralização训练的前沿探索]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
)# 02、Detalhes sobre os mecanismos-chave de treinamento do Prime Intellect
#PRIME-RL: Arquitetura de tarefa de aprendizado por reforço assíncrono desacoplado
PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o 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 com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
#TOPLOC:Mecanismo de verificação de comportamento de treino leve
TOPLOC é o mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo de todo o modelo, mas sim através da análise das trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia", completa a verificação de estrutura leve. É a primeira vez que as trajetórias de comportamento durante o processo de treinamento são transformadas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada, auditável e incentivada.
#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 estado de nó variável. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós apresentem continuamente atualizações parciais em estados assíncronos, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso estável de pesos e iterações de treinamento contínuas.
#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas dependendo de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação em treinamentos colaborativos globais, sendo uma das infraestruturas de comunicação fundamentais para a construção de uma rede de treinamento descentralizada.
#PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve projetada 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 redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo caminho para a comunicação fundamental que constrói 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 treinamento sem permissão, verificável e com um mecanismo 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 tipos de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
![O Santo Graal do Crypto AI: Exploração de vanguarda do treinamento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.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 grande modelo de aprendizado por reforço treinado globalmente através da colaboração de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado de forma colaborativa por mais de 100 nós heterogêneos com GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de redes de colaboração assíncronas. Este modelo não apenas representa uma ruptura em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra os módulos principais de protocolo, como a estrutura de treinamento assíncrona PRIME-RL###, a validação de comportamento de treinamento TOPLOC( e a agregação de pesos assíncrona SHARDCAST), marcando a primeira realização do treinamento em rede descentralizada.