O Santo Graal da Crypto AI: Exploração de Fronteira de Treinamento Descentralizado
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 na fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder computacional, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde o 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 otimiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos. No entanto, também existem problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Apesar de ter características de "descentralização" em termos físicos, o todo ainda é controlado, agendado e sincronizado por instituições centralizadas, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão NVLink de alta velocidade, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina diferentes parâmetros de dados compartilhados, é necessário corresponder os pesos do modelo
Paralelismo de modelo: implementar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade
Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos principais são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e com o auxílio de mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldades de heterogeneidade e segmentação de dispositivos: Alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência de segmentação de tarefas
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
Falta de execução confiável: falta de um ambiente de execução confiável, tornando difícil verificar se os nós realmente participam do cálculo.
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de anomalias são complexos
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em grande escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e outros vários níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter 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. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma entidade coordenadora confiável, não possuindo características de total abertura e resistência à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em relação a tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, sendo mais adequado como uma arquitetura de implantação de transição na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
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, à alta demanda de recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, tornando difícil a divisão e sincronização eficaz em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de uma base de incentivo à colaboração carecem de motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixo acoplamento e características que toleram capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos e outras formas.
Atualmente, na vanguarda dos treinos descentralizados e da aprendizagem federada, os projetos de blockchain representativos incluem principalmente 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 propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar, sequencialmente, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e discutir ainda suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizada.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em 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 pretende, 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.
Estrutura do stack do protocolo Prime Intellect e valor dos módulos chave
Explicação detalhada dos mecanismos-chave de treino do Prime Intellect
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrona Desacoplada
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. Ela utiliza 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 ciclos de tarefas de forma independente localmente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo de validação 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 do modelo completo, mas sim analisa as trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a alocação de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
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 estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base essencial para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente implementada e de código aberto pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, podendo realizar treinamento colaborativo de modelos apenas com nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida 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 ponto 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, permitindo a construção de uma verdadeira rede de treinamento colaborativo aberta e sem necessidade de confiança, superando a "última milha" da infraestrutura de comunicação.
Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos 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 categorias 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 treino: executar treino local, submeter atualizações de pesos e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por meio de colaboração de nós descentralizados assíncronos e sem necessidade de confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos com GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço de desempenho, mas também a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e economia do processo de treinamento em uma rede de treinamento descentralizada.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
17 gostos
Recompensa
17
6
Partilhar
Comentar
0/400
MetaDreamer
· 10h atrás
A descentralização do treinamento volta a estar em alta!
Ver originalResponder0
CryptoMom
· 10h atrás
Está preso no Poder de computação de novo.
Ver originalResponder0
CryptoAdventurer
· 10h atrás
Já estão a desenhar BTC novamente, este sabor está muito intenso.
Ver originalResponder0
HappyMinerUncle
· 10h atrás
Poder de computação caro de mais isso
Ver originalResponder0
retroactive_airdrop
· 10h atrás
Parece um pouco cansativo
Ver originalResponder0
BearMarketSurvivor
· 10h atrás
Com mais poder de computação, você pode sair do círculo? Não dá para brincar.
Descentralização AI treinamento exploração: Prime Intellect e Pluralis avanços de ponta
O Santo Graal da Crypto AI: Exploração de Fronteira de Treinamento Descentralizado
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 na fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder computacional, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster local de alto desempenho, completando todo o processo de treinamento, desde o 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 otimiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos. No entanto, também existem problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Apesar de ter características de "descentralização" em termos físicos, o todo ainda é controlado, agendado e sincronizado por instituições centralizadas, geralmente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão NVLink de alta velocidade, com o nó principal coordenando uniformemente as subtarefas. Os métodos predominantes incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para completar uma tarefa. Atualmente, quase todos os grandes modelos principais são treinados dessa forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e a colaboração, e com o auxílio de mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização de treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em conjunto, mas "o verdadeiro treinamento descentralizado em grande escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelo e outros vários níveis, mas se é possível "colaborar de forma eficaz + incentivar a honestidade + obter 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. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma entidade coordenadora confiável, não possuindo características de total abertura e resistência à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em relação a tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, sendo mais adequado como uma arquitetura de implantação de transição na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
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, à alta demanda de recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, tornando difícil a divisão e sincronização eficaz em uma rede aberta; tarefas com forte restrição de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de uma base de incentivo à colaboração carecem de motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento apresenta perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por meio de crowdsourcing, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixo acoplamento e características que toleram capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos e outras formas.
Descentralização treinamento clássicos projetos análise
Atualmente, na vanguarda dos treinos descentralizados e da aprendizagem federada, os projetos de blockchain representativos incluem principalmente 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 propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando a vanguarda da pesquisa teórica atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo irá analisar, sequencialmente, as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e discutir ainda suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizada.
Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em 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 pretende, 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.
Estrutura do stack do protocolo Prime Intellect e valor dos módulos chave
Explicação detalhada dos mecanismos-chave de treino do Prime Intellect
PRIME-RL: Arquitetura de Tarefa de Aprendizagem por Reforço Assíncrona Desacoplada
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. Ela utiliza 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 ciclos de tarefas de forma independente localmente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo tradicional de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo de validação 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 do modelo completo, mas sim analisa as trajetórias de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a alocação de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.
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 estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base essencial para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação independente implementada e de código aberto pela equipe Prime Intellect, baseada no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como limitações de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, podendo realizar treinamento colaborativo de modelos apenas com nós vizinhos locais. Combinando atualizações assíncronas e mecanismos de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a participação em treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizado.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida 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 ponto 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, permitindo a construção de uma verdadeira rede de treinamento colaborativo aberta e sem necessidade de confiança, superando a "última milha" da infraestrutura de comunicação.
Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos 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 categorias de papéis principais:
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por meio de colaboração de nós descentralizados assíncronos e sem necessidade de confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos com GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade da rede de colaboração assíncrona. Este modelo não é apenas um avanço de desempenho, mas também a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolos centrais como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e economia do processo de treinamento em uma rede de treinamento descentralizada.