Décentralisation entraînement: exploration d'un nouveau paradigme de développement de l'IA
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement le plafond de capacité des modèles et l'effet des applications réelles. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation à haute intensité, constituant ainsi 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 institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, de l'infrastructure matérielle, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde 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, offrant l'avantage d'une grande efficacité et d'une ressource contrôlable. Cependant, elle pose également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuellement, son cœur consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en calcul et en stockage sur une seule machine. Bien qu'il possède des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion à haute vitesse NVLink, le nœud principal coordonne uniformément chaque sous-tâche. Les méthodes principales comprennent :
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.
Pipeline parallèle : exécution en série par étapes, amélioration 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", similaire à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente donc un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques essentielles sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des appareils en périphérie, ), collaborant pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Difficultés d'hétérogénéité des dispositifs et de découpage : coordination difficile des dispositifs hétérogènes, faible efficacité de découpage des tâches.
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 centralisateur, distribution des tâches et mécanisme de rollback des exceptions complexes.
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour former un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" en est encore au stade d'exploration précoce des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, souligne la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des 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 en tant qu'architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement des frontières, opportunités et chemins réalistes
Du point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée 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, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile la division et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des restrictions fortes sur la confidentialité et la souveraineté des données ), comme la médecine, la finance et les données sensibles (, sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées librement ; tandis que les tâches sans incitation à la collaboration ), comme l'entraînement de modèles fermés pour les entreprises ou les 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 l'entraînement décentralisé est une fausse question. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation alignées sur le comportement ) telles que RLHF, DPO (, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des appareils périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisme, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de Crypto AI : Exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de l'entraînement décentralisé et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies d'implémentation de Gensyn et Flock.io sont relativement claires, permettant d'apercevoir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
) Prime Intellect: Pionniers des réseaux collaboratifs d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et d'obtenir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâches de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant 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 à la mise en œuvre d'un entraînement flexible dans des environnements sans ordonnancement central, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement appris une stratégie efficace basée sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de la structure légère en analysant la trajectoire de cohérence locale entre "séries d'observation ↔ mise à jour de la stratégie". Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, et offre une voie réalisable pour construire un réseau d'entraînement décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de synthèse 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 type gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états non synchronisés, 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 ainsi la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone dispersé
OpenDiLoCo est un cadre d'optimisation de communication développé indépendamment 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 dispositifs et à l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses comme Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant un entraînement collaboratif du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant la mise à jour asynchrone et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets 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 les topologies éparses, la compression de gradient, la synchronisation à faible précision et la récupération de point de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant sous-jacent pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la "dernière étape" des bases de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
![Le Saint Graal de Crypto AI : exploration de pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-f86b109da66a0a4c9239221650a4a0a8.webp(
)# 03、Prime Intellect Réseau d'incitation et division des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction des 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 l'entraînement local, soumettre les mises à jour de poids et les trajectoires d'observation
Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un ensemble autour de "
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.
10 J'aime
Récompense
10
6
Partager
Commentaire
0/400
BlockchainFries
· 07-18 08:19
pro secoue BTC et parle de manière très convaincante
Voir l'originalRépondre0
CryptoNomics
· 07-16 20:20
*soupir* en parlant statistiquement, la formation centralisée présente un équilibre de Nash sous-optimal dans le cadre de contraintes de ressources stochastiques... amateurs.
Voir l'originalRépondre0
PumpDoctrine
· 07-16 20:17
Zut zut, comment parler de Décentralisation si le code de base n'est même pas bien compris.
Voir l'originalRépondre0
Fren_Not_Food
· 07-16 20:15
Ça n'a rien à voir avec gagner de l'argent.. je ne comprends pas.
Voir l'originalRépondre0
Web3ProductManager
· 07-16 20:13
faisons quelques calculs rapides à ce sujet - la formation décentralisée pourrait multiplier par 10 notre entonnoir d'acquisition d'utilisateurs par rapport aux modèles traditionnels... voyant un potentiel pmf majeur ici, je ne vais pas mentir
Décentralisation AI entraînement nouveau paradigme : de Prime Intellect à INTELLECT-2
Décentralisation entraînement: exploration d'un nouveau paradigme de développement de l'IA
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente la plus haute barrière technique, déterminant directement le plafond de capacité des modèles et l'effet des applications réelles. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation à haute intensité, constituant ainsi 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 institution dans un cluster haute performance local, où l'ensemble du processus d'entraînement, de l'infrastructure matérielle, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde 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, offrant l'avantage d'une grande efficacité et d'une ressource contrôlable. Cependant, elle pose également des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuellement, son cœur consiste à décomposer les tâches d'entraînement du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement en calcul et en stockage sur une seule machine. Bien qu'il possède des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion à haute vitesse NVLink, le nœud principal coordonne uniformément chaque sous-tâche. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente donc un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques essentielles sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des appareils en périphérie, ), collaborant pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la collaboration, et en s'appuyant sur un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour former un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" en est encore au stade d'exploration précoce des prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, souligne la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des 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 en tant qu'architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement des frontières, opportunités et chemins réalistes
Du point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée 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, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile la division et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des restrictions fortes sur la confidentialité et la souveraineté des données ), comme la médecine, la finance et les données sensibles (, sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées librement ; tandis que les tâches sans incitation à la collaboration ), comme l'entraînement de modèles fermés pour les entreprises ou les 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 l'entraînement décentralisé est une fausse question. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation alignées sur le comportement ) telles que RLHF, DPO (, l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des appareils périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisme, de faible couplage et de tolérance à l'hétérogénéité de la puissance de calcul, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de Crypto AI : Exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de l'entraînement décentralisé et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies d'implémentation de Gensyn et Flock.io sont relativement claires, permettant d'apercevoir des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
) Prime Intellect: Pionniers des réseaux collaboratifs d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et d'obtenir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 02, Explication détaillée des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâches de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement le processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant 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 à la mise en œuvre d'un entraînement flexible dans des environnements sans ordonnancement central, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement appris une stratégie efficace basée sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais complète la vérification de la structure légère en analysant la trajectoire de cohérence locale entre "séries d'observation ↔ mise à jour de la stratégie". Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, et offre une voie réalisable pour construire un réseau d'entraînement décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole de synthèse 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 type gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états non synchronisés, 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 ainsi la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone dispersé
OpenDiLoCo est un cadre d'optimisation de communication développé indépendamment 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 dispositifs et à l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses comme Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant un entraînement collaboratif du modèle en ne s'appuyant que sur les nœuds voisins locaux. En combinant la mise à jour asynchrone et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.
#PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets 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 les topologies éparses, la compression de gradient, la synchronisation à faible précision et la récupération de point de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant sous-jacent pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la "dernière étape" des bases de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
![Le Saint Graal de Crypto AI : exploration de pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-f86b109da66a0a4c9239221650a4a0a8.webp(
)# 03、Prime Intellect Réseau d'incitation et division des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un ensemble autour de "