El Santo Grial de Crypto AI: Exploración de vanguardia del entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que consume más recursos y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de paradigmas arquitectónicos, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es el método tradicional más común, realizado por una única institución dentro de un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración maximiza la eficiencia del intercambio de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero al mismo tiempo presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgo de punto único.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente posee características de "descentralización", en general sigue siendo controlado y coordinado por una entidad centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos, los parámetros se comparten, se necesita hacer coincidir los pesos del modelo
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Ejecución en paralelo de tuberías: ejecución en serie por etapas, aumentando el rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejora de la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficina" para completar tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y resistente a la censura. Sus características centrales son: múltiples nodos que no se fían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, normalmente mediante protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades de heterogeneidad de dispositivos y segmentación: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de la comunicación: la comunicación de la red es inestable y el cuello de botella en la sincronización de gradientes es evidente
Ejecución confiable ausente: falta de un entorno de ejecución confiable, lo que dificulta verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La capacitación descentralizada puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con poder de cómputo para entrenar modelos de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y otros múltiples niveles, pero si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribución y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo aplicable en escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de cooperación local, al mismo tiempo que cuenta con las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de entidades de coordinación confiables y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y no confiables. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por la conformidad legal y las restricciones éticas, lo que impide su compartición abierta; y las tareas que carecen de una base de incentivos de colaboración carecen de motivación para la participación externa. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la Descentralización del entrenamiento sea un falso enunciado. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la Descentralización del entrenamiento muestra claras perspectivas de aplicación. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos básicos pequeños controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a capacidades computacionales heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos y otros métodos.
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de vanguardia en la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, y ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías fundamentales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
Prime Intellect: trayectoria de entrenamiento verificable de redes de colaboración de aprendizaje reforzado pioneras
Prime Intellect se dedica a construir una red de entrenamiento de IA que no requiere confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado con verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
Estructura de la pila del protocolo Prime Intellect y valor de los módulos clave
Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es el marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando de manera estructural el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas en local, y colabore con mecanismos de verificación y agregación a través de interfaces estandarizadas. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo así la complejidad del sistema y sentando las bases para soportar múltiples tareas en paralelo y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento liviano
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recalculo del modelo completo, sino que completa la verificación de la estructura ligera a través del análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y que ofrezca incentivos.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, tienen limitaciones de ancho de banda y estados de nodos variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con la dependencia de nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para un entorno de entrenamiento de IA descentralizado, destinada a resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos de la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los estándares de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y observar trayectorias
Nodos de validación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un bucle de incentivos en torno a "comportamientos de entrenamiento reales".
INTELLECT-2: El primer lanzamiento de un modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en términos de rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, verificación y economía del proceso de entrenamiento.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
17 me gusta
Recompensa
17
6
Compartir
Comentar
0/400
MetaDreamer
· hace20h
¡La descentralización vuelve a ser tendencia!
Ver originalesResponder0
CryptoMom
· hace20h
Otra vez está atascado jugando con la Potencia computacional.
Ver originalesResponder0
CryptoAdventurer
· hace20h
Ya están dibujando BTC de nuevo, este sabor es demasiado fuerte.
Ver originalesResponder0
HappyMinerUncle
· hace20h
La potencia computacional es increíblemente cara.
Ver originalesResponder0
retroactive_airdrop
· hace20h
Suena un poco cansado
Ver originalesResponder0
BearMarketSurvivor
· hace20h
¿Con potencia computacional se puede salir del círculo? No puedo jugar.
Exploración del entrenamiento de IA Descentralización: los avances de Prime Intellect y Pluralis.
El Santo Grial de Crypto AI: Exploración de vanguardia del entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que consume más recursos y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran escala en potencia de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de paradigmas arquitectónicos, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es el método tradicional más común, realizado por una única institución dentro de un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de bajo nivel, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración maximiza la eficiencia del intercambio de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero al mismo tiempo presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgo de punto único.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, cuyo núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente posee características de "descentralización", en general sigue siendo controlado y coordinado por una entidad centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina de manera unificada las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficina" para completar tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y resistente a la censura. Sus características centrales son: múltiples nodos que no se fían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, normalmente mediante protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La capacitación descentralizada puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con poder de cómputo para entrenar modelos de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, verificación de modelos y otros múltiples niveles, pero si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribución y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo aplicable en escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de cooperación local, al mismo tiempo que cuenta con las ventajas de dispersión de datos del entrenamiento Descentralizado, pero aún depende de entidades de coordinación confiables y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, lo que la hace más adecuada como arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y no confiables. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por la conformidad legal y las restricciones éticas, lo que impide su compartición abierta; y las tareas que carecen de una base de incentivos de colaboración carecen de motivación para la participación externa. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la Descentralización del entrenamiento sea un falso enunciado. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la Descentralización del entrenamiento muestra claras perspectivas de aplicación. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos básicos pequeños controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a capacidades computacionales heterogéneas, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos y otros métodos.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de vanguardia en la investigación teórica actual; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, y ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías fundamentales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
Prime Intellect: trayectoria de entrenamiento verificable de redes de colaboración de aprendizaje reforzado pioneras
Prime Intellect se dedica a construir una red de entrenamiento de IA que no requiere confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado con verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
Estructura de la pila del protocolo Prime Intellect y valor de los módulos clave
Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es el marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritario, desacoplando de manera estructural el proceso de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas en local, y colabore con mecanismos de verificación y agregación a través de interfaces estandarizadas. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, reduciendo así la complejidad del sistema y sentando las bases para soportar múltiples tareas en paralelo y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento liviano
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recalculo del modelo completo, sino que completa la verificación de la estructura ligera a través del análisis de la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable y que ofrezca incentivos.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, tienen limitaciones de ancho de banda y estados de nodos variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincrónicos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con la dependencia de nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para un entorno de entrenamiento de IA descentralizado, destinada a resolver el cuello de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja capacidad. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede ejecutarse en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos de la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un bucle de incentivos en torno a "comportamientos de entrenamiento reales".
INTELLECT-2: El primer lanzamiento de un modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en términos de rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, verificación y economía del proceso de entrenamiento.