Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la Décentralisation collaborative de la révolution technologique
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et avec le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'efficacité de leur application réelle. 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 des données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue architectural, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, couvrant l'ensemble du processus d'entraînement, depuis le matériel ( tel que le GPU NVIDIA ), le logiciel de base ( comme CUDA, cuDNN ), jusqu'aux systèmes de gestion de clusters ( comme Kubernetes ), et les cadres d'entraînement ( tels que PyTorch basé sur le backend NCCL ) ; tous les composants sont coordonnés par un système de contrôle unifié. Cette architecture profondément collaborative permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de points de défaillance.
L'entraînement distribué est la méthode principale actuelle pour l'entraînement de grands modèles. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulets 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 des organismes centralisés, fonctionnant souvent dans des environnements de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes courantes incluent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité ;
Pipelines parallèles : exécution séquentielle par étapes, augmentation du débit ;
Parallélisme tensoriel : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme.
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie, ), collaborant à l'exécution des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour conduire la distribution et la collaboration des tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des appareils et difficulté de découpage : la coordination des 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 les nœuds participent réellement au calcul ;
Manque de coordination unifiée : pas de répartiteur central, distribution des tâches et mécanismes de retour d'exception complexes.
L'entraînement décentralisé peut être compris comme : un groupe de volontaires du monde entier contribuant chacun de leur propre puissance de calcul pour entraîner un modèle de manière collaborative, mais "le véritable entraînement décentralisé à grande échelle réalisable" demeure un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et d'autres aspects. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" en est encore au stade d'exploration précoce de prototypes.
L'apprentissage fédéré, en tant que forme transitoire entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios axés sur la conformité à la vie privée, 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 dans l'entraînement décentralisé. Cependant, il dépend toujours d'une entité de coordination de confiance et ne possède pas des caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans les scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, plus adaptés comme architecture de déploiement transitoire dans l'industrie.
) Tableau comparatif des paradigmes d'entraînement AI### Architecture technique × Incitation à la confiance × Caractéristiques d'application(
![Évolution des paradigmes d'entraînement AI : d'un contrôle centralisé à une révolution technologique de collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-a03035c30dc3b5258366773e1ab0e495.webp(
) Décentralisation des frontières, des opportunités et des chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement ne convient pas à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il n'est naturellement pas adapté pour être réalisé efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert; les tâches ### ayant de fortes restrictions sur la vie privée et la souveraineté, comme la médecine, la finance, et les données sensibles (, sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées ouvertement; tandis que les tâches ) manquant de bases d'incitation à la collaboration, comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que la formation décentralisée est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, la formation décentralisée montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation de type alignement comportemental ) telles que RLHF, DPO (, la formation et l'annotation de données par crowdsourcing, la formation de petits modèles de base avec contrôle des ressources, ainsi que des scénarios de formation collaborative impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à la formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement de Décentralisation
![Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-f0af7b28242215cca3784f0547830879.webp(
) Analyse des projets classiques d'entraînement à la Décentralisation
Actuellement, dans le domaine de pointe 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 de mise en œuvre, 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 de mise en œuvre de Gensyn et de Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie initiaux. Cet article analysera successivement les technologies clés et les architectures d'ingénierie qui se cachent derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect: Pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à chacun de participer à l'entraînement et de recevoir des récompenses fiables pour leurs contributions computationnelles. Prime Intellect souhaite, grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
I. Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution du paradigme d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deuxièmement, explication détaillée des mécanismes clés de formation de Prime Intellect
PRIME-RL: architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de réaliser indépendamment les boucles de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC : Mécanisme de vérification des comportements d'entraînement léger
TOPLOC)Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour effectuer une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement pendant le processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, fournissant un chemin praticable pour construire un réseau de formation décentralisé, audit-able et incitatif.
SHARDCAST : Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation 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 variables. Il combine un mécanisme de propagation de gossip avec une stratégie 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 une itération continue de l'entraînement.
OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants liés à la bande passante limitée, à l'hétérogénéité des appareils et à l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi les frais de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif des modèles en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils 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 la construction de réseaux d'entraînement décentralisés.
PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement de formation AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à faible précision et la récupération après un point de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, étant le composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau de formation, ouvrant la "dernière étape" des bases de communication pour construire un véritable réseau de formation collaborative ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable, avec un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter 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 de l'accord comprend la publication de 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".
![Évolution des paradigmes d'entraînement IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a publié l'INTELLECT-2 en mai 2025, c'est le premier au monde
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.
11 J'aime
Récompense
11
6
Partager
Commentaire
0/400
DuckFluff
· 07-28 03:07
Avec une Puissance de calcul aussi chère, qui va s'en occuper ?
Voir l'originalRépondre0
gas_fee_therapy
· 07-27 21:57
La véritable industrie lourde, c'est le Mining, n'est-ce pas ? Je comprends vraiment ça.
Voir l'originalRépondre0
Blockwatcher9000
· 07-27 19:42
Mon Dieu, cette puissance de calcul coûte vraiment cher.
Révolution de l'entraînement de l'IA : de la contrôle centralisé à la collaboration décentralisée dans l'évolution technologique
Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la Décentralisation collaborative de la révolution technologique
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et avec le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'efficacité de leur application réelle. 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 des données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue architectural, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité au sein d'un cluster haute performance local, couvrant l'ensemble du processus d'entraînement, depuis le matériel ( tel que le GPU NVIDIA ), le logiciel de base ( comme CUDA, cuDNN ), jusqu'aux systèmes de gestion de clusters ( comme Kubernetes ), et les cadres d'entraînement ( tels que PyTorch basé sur le backend NCCL ) ; tous les composants sont coordonnés par un système de contrôle unifié. Cette architecture profondément collaborative permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de points de défaillance.
L'entraînement distribué est la méthode principale actuelle pour l'entraînement de grands modèles. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulets 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 des organismes centralisés, fonctionnant souvent dans des environnements de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes courantes incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie, ), collaborant à l'exécution des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour conduire la distribution et la collaboration des tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
L'entraînement décentralisé peut être compris comme : un groupe de volontaires du monde entier contribuant chacun de leur propre puissance de calcul pour entraîner un modèle de manière collaborative, mais "le véritable entraînement décentralisé à grande échelle réalisable" demeure un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et d'autres aspects. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" en est encore au stade d'exploration précoce de prototypes.
L'apprentissage fédéré, en tant que forme transitoire entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, et est adapté aux scénarios axés sur la conformité à la vie privée, 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 dans l'entraînement décentralisé. Cependant, il dépend toujours d'une entité de coordination de confiance et ne possède pas des caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans les scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, plus adaptés comme architecture de déploiement transitoire dans l'industrie.
) Tableau comparatif des paradigmes d'entraînement AI### Architecture technique × Incitation à la confiance × Caractéristiques d'application(
![Évolution des paradigmes d'entraînement AI : d'un contrôle centralisé à une révolution technologique de collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-a03035c30dc3b5258366773e1ab0e495.webp(
) Décentralisation des frontières, des opportunités et des chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement ne convient pas à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il n'est naturellement pas adapté pour être réalisé efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une large bande passante, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert; les tâches ### ayant de fortes restrictions sur la vie privée et la souveraineté, comme la médecine, la finance, et les données sensibles (, sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées ouvertement; tandis que les tâches ) manquant de bases d'incitation à la collaboration, comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que la formation décentralisée est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, la formation décentralisée montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : l'ajustement LoRA, les tâches de post-formation de type alignement comportemental ) telles que RLHF, DPO (, la formation et l'annotation de données par crowdsourcing, la formation de petits modèles de base avec contrôle des ressources, ainsi que des scénarios de formation collaborative impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à la formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
)# Aperçu de l'adaptabilité des tâches d'entraînement de Décentralisation
![Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-f0af7b28242215cca3784f0547830879.webp(
) Analyse des projets classiques d'entraînement à la Décentralisation
Actuellement, dans le domaine de pointe 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 de mise en œuvre, 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 de mise en œuvre de Gensyn et de Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie initiaux. Cet article analysera successivement les technologies clés et les architectures d'ingénierie qui se cachent derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect: Pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à chacun de participer à l'entraînement et de recevoir des récompenses fiables pour leurs contributions computationnelles. Prime Intellect souhaite, grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
I. Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Évolution du paradigme d'entraînement AI : de la contrôle centralisé à la révolution technique de la collaboration décentralisée]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(
Deuxièmement, explication détaillée des mécanismes clés de formation de Prime Intellect
PRIME-RL: architecture de tâche d'apprentissage par renforcement asynchrone découplé
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de réaliser indépendamment les boucles de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC : Mécanisme de vérification des comportements d'entraînement léger
TOPLOC)Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour effectuer une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement pendant le processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, fournissant un chemin praticable pour construire un réseau de formation décentralisé, audit-able et incitatif.
SHARDCAST : Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation 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 variables. Il combine un mécanisme de propagation de gossip avec une stratégie 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 une itération continue de l'entraînement.
OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants liés à la bande passante limitée, à l'hétérogénéité des appareils et à l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi les frais de communication élevés associés à la synchronisation globale, et permettant l'entraînement collaboratif des modèles en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils 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 la construction de réseaux d'entraînement décentralisés.
PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement de formation AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à faible précision et la récupération après un point de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, étant le composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau de formation, ouvrant la "dernière étape" des bases de communication pour construire un véritable réseau de formation collaborative ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable, avec un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central de l'accord comprend la publication de 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".
![Évolution des paradigmes d'entraînement IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable.
Prime Intellect a publié l'INTELLECT-2 en mai 2025, c'est le premier au monde