El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa 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 capacidad de cálculo, un complejo proceso de procesamiento de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única institución en un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de base, 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 permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de grandes modelos en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que trabajen de manera colaborativa, superando así las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente tiene características de "descentralización", en general, todavía está controlado y programado por una entidad centralizada, y suele operar 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 uniformemente las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos y comparte parámetros, se requiere que coincidan los pesos del modelo.
Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por etapas, aumentando el rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejora de la granularidad paralela
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", similar a un mismo jefe que dirige remotamente a varios empleados de "oficinas" para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes de última generación (GPT-4, Gemini, LLaMA, etc. ) se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central es: múltiples nodos que no se fían entre sí ( pueden ser computadoras de hogar, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos que distribuyen tareas y colaboran, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades de heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación entre dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de comunicación: la comunicación en red es inestable, el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable ausente: falta de un entorno de ejecución confiable, difícil de 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 es complejo
La formación en Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "la verdadera y viable formación Descentralización a gran escala" sigue siendo un desafío de ingeniería sistémico que involucra múltiples niveles, como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, la cuestión de si se puede lograr "colaboración efectiva + incentivo a la honestidad + resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, aplicándose a escenarios que priorizan el cumplimiento de la privacidad, como la medicina y las finanzas (. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que cuenta con las ventajas de dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no posee 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 moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
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 gran dificultad de colaboración, no es naturalmente apta para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta su división y sincronización efectivas en una red abierta; tareas con fuertes restricciones de privacidad y soberanía de datos ), como la medicina, las finanzas y los datos confidenciales (, están limitadas por la conformidad legal y restricciones éticas, lo que impide su apertura y compartición; mientras que tareas que carecen de incentivos de colaboración, como el modelo de código cerrado de la empresa o el entrenamiento de prototipos internos ), carecen de motivación para la participación externa. Estas fronteras constituyen conjuntamente las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación en Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación en Descentralización muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento como RLHF, DPO(, tareas de entrenamiento y etiquetado con crowdsourcing de datos, entrenamiento de pequeños modelos base controlables en recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
![El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Actualmente, en el campo de la Descentralización de entrenamientos 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, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones más avanzadas de la investigación teórica; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden observar progresos iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales 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 Descentralizada.
) Prime Intellect: Pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confiar, 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 tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
(# 01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02、Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL:Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un 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 estructuralmente los procesos de entrenamiento, inferencia y subida de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos tradicionales de aprendizaje supervisado, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC(Observación de Confianza y Verificación de Localidad) 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 recálculo del modelo completo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte la trayectoria de comportamiento durante el proceso de entrenamiento en un objeto verificable, lo que representa una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizado que sea auditable e incentivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos centralizados o sincrónicos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: Marco de Comunicación Asíncrono Escaso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones 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 los altos costos de comunicación de la sincronización global, y solo depende de los nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que las GPU de consumo y los dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participatividad del entrenamiento colaborativo a nivel global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL###Prime Collective Communication Library( es una biblioteca de comunicación liviana desarrollada por Prime Intellect para entornos de entrenamiento de IA Descentralización, diseñada para resolver los cuellos de botella de adaptación en dispositivos heterogéneos y redes de bajo ancho de banda que presentan las bibliotecas de comunicación tradicionales) como NCCL, Gloo(. 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 el componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos en redes de entrenamiento, allanando el camino para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
)# 03、Prime Intellect incentivos de red y división de roles
Prime Intellect construyó una red de entrenamiento sin permiso, verificable y con mecanismos de incentivos económicos, lo que permite que cualquier persona participe en tareas y obtenga 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 criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de peso y trayectorias de observación
Nodos de verificación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y en 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 (SHARDCAST) y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes.
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
5
Republicar
Compartir
Comentar
0/400
GasFeeVictim
· 08-13 18:22
Otro proyecto de Rug Pull, ¿verdad?
Ver originalesResponder0
TokenRationEater
· 08-13 05:29
La potencia computacional está a punto de agotar mi nueva 3090.
Ver originalesResponder0
SigmaBrain
· 08-13 05:05
sedoso y perspectivas valiosas
Ver originalesResponder0
just_another_fish
· 08-13 05:02
Siempre estaremos siendo explotados por los gigantes tecnológicos.
Exploración de vanguardia en el entrenamiento de IA descentralizada: de Prime Intellect a INTELLECT-2
El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa 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 capacidad de cálculo, un complejo proceso de procesamiento de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva de los paradigmas de arquitectura, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y entrenamiento de descentralización, que es el enfoque principal de este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única institución en un clúster de alto rendimiento local, completando todo el proceso de entrenamiento, desde el hardware, el software de base, 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 permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de grandes modelos en la actualidad. Su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que trabajen de manera colaborativa, superando así las limitaciones de cálculo y almacenamiento de una sola máquina. Aunque físicamente tiene características de "descentralización", en general, todavía está controlado y programado por una entidad centralizada, y suele operar 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 uniformemente las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", similar a un mismo jefe que dirige remotamente a varios empleados de "oficinas" para colaborar en la realización de tareas. Actualmente, casi todos los modelos grandes de última generación (GPT-4, Gemini, LLaMA, etc. ) se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central es: múltiples nodos que no se fían entre sí ( pueden ser computadoras de hogar, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos que distribuyen tareas y colaboran, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La formación en Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "la verdadera y viable formación Descentralización a gran escala" sigue siendo un desafío de ingeniería sistémico que involucra múltiples niveles, como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, la cuestión de si se puede lograr "colaboración efectiva + incentivo a la honestidad + resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, aplicándose a escenarios que priorizan el cumplimiento de la privacidad, como la medicina y las finanzas (. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que cuenta con las ventajas de dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no posee 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 moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, siendo más adecuado como una arquitectura de despliegue transitorio en la industria.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
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 gran dificultad de colaboración, no es naturalmente apta para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria de video, baja latencia y ancho de banda rápido, lo que dificulta su división y sincronización efectivas en una red abierta; tareas con fuertes restricciones de privacidad y soberanía de datos ), como la medicina, las finanzas y los datos confidenciales (, están limitadas por la conformidad legal y restricciones éticas, lo que impide su apertura y compartición; mientras que tareas que carecen de incentivos de colaboración, como el modelo de código cerrado de la empresa o el entrenamiento de prototipos internos ), carecen de motivación para la participación externa. Estas fronteras constituyen conjuntamente las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación en Descentralización sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación en Descentralización muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento como RLHF, DPO(, tareas de entrenamiento y etiquetado con crowdsourcing de datos, entrenamiento de pequeños modelos base controlables en recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
![El Santo Grial de Crypto AI: Exploración de vanguardia en el entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de la Descentralización de entrenamientos 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, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones más avanzadas de la investigación teórica; mientras que Gensyn y Flock.io tienen rutas de implementación relativamente claras, ya se pueden observar progresos iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales 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 Descentralizada.
) Prime Intellect: Pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confiar, 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 tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
(# 01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
02、Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
#PRIME-RL:Arquitectura de tareas de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un 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 estructuralmente los procesos de entrenamiento, inferencia y subida de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos tradicionales de aprendizaje supervisado, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para soportar la paralelización de múltiples tareas y la evolución de estrategias.
#TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC(Observación de Confianza y Verificación de Localidad) 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 recálculo del modelo completo, sino que completa la verificación de la estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte la trayectoria de comportamiento durante el proceso de entrenamiento en un objeto verificable, lo que representa una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizado que sea auditable e incentivadora.
#SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos envíen continuamente actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y evolución de múltiples versiones. En comparación con los métodos centralizados o sincrónicos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
#OpenDiLoCo: Marco de Comunicación Asíncrono Escaso
OpenDiLoCo es un marco de optimización de comunicación desarrollado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones 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 los altos costos de comunicación de la sincronización global, y solo depende de los nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que las GPU de consumo y los dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participatividad del entrenamiento colaborativo a nivel global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
#PCCL: Biblioteca de Comunicación Colaborativa
PCCL###Prime Collective Communication Library( es una biblioteca de comunicación liviana desarrollada por Prime Intellect para entornos de entrenamiento de IA Descentralización, diseñada para resolver los cuellos de botella de adaptación en dispositivos heterogéneos y redes de bajo ancho de banda que presentan las bibliotecas de comunicación tradicionales) como NCCL, Gloo(. 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 el componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos en redes de entrenamiento, allanando el camino para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza, superando la "última milla" de la infraestructura de comunicación.
)# 03、Prime Intellect incentivos de red y división de roles
Prime Intellect construyó una red de entrenamiento sin permiso, verificable y con mecanismos de incentivos económicos, lo que permite que cualquier persona participe en tareas y obtenga 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 (SHARDCAST) y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes.